把同事「煉化」成技能包：用 Claude、Antigravity、Codex 留住老鳥的經驗

交接那天下午，後端的阿凱在收紙箱。新來的工程師對著螢幕上一條接了七個節點的 n8n 流程發問：「這個 webhook 為什麼要先打 HubSpot、拿到 contact id 再回寫 WordPress，不能直接寫嗎？」阿凱頭也沒抬：「因為去年那次重複建檔搞死過我們，這順序不能改。」一個月後同樣的問題又冒出來，只是這次連能回答的人都不在了。那條流程還在跑，但「為什麼這樣設計」的判斷，跟著最後一個紙箱一起離開了公司。

這種「人走、判斷力也走」的損耗，過去只能靠交接文件硬扛，而文件永遠追不上腦袋。但 2026 年三月之後事情有了轉機：一個叫 colleague-skill 的開源專案在 GitHub 爆紅，核心概念就是把離職同事的聊天記錄、文件、決策邏輯「煉化」成一個 AI 技能包，新人裝上去，就能問出那位老鳥八成的工作判斷。它不是噱頭，底層踩的是 Anthropic 推出的 Agent Skills 開放標準，同一份技能包檔案，Claude、Google Antigravity、OpenAI Codex，甚至開源的 OpenClaw 與 Hermes 都讀得懂。這篇我們把「煉化同事」這件事拆開，從概念講到四種工具的實際操作。

為什麼「人走、經驗也走」這件事，到現在才有解

每家公司都做過知識管理，也都失敗過。問題不在於沒人想留住經驗，而在於過去的工具撐不住經驗真正的形狀。把現況拆開，會看到四個結構性的天花板：

• 真正的 know-how 在腦袋裡，文件永遠是落後指標。同事知道「這個客戶的需求要先確認預算再談功能」，但這條判斷不會出現在任何 SOP 裡，它藏在三年來上百次對話的語氣與取捨之間。
• SOP 寫了沒人看，看了也不會用。靜態文件無法回答「我這個情況算不算例外」，它只能描述標準流程，不能陪你做判斷。
• 交接靠口耳相傳，離職就斷線。兩週的交接期，能講完的只有操作步驟，講不完的是「遇到 X 要警覺、看到 Y 先別動」這類經驗直覺。
• 想做「數位分身」一直缺一個標準。過去要把人的工作邏輯封裝成可重用的東西，每家工具格式都不一樣，做出來綁死在單一平台。直到 Agent Skills 這個跨工具的開放格式成熟，這件事才第一次變得可攜、可版本控管、可被多個 AI 共用。

換句話說，不是「想留住經驗」這件事變了，是承載經驗的容器終於對了。我們在〈MCP、API、CLI 差在哪〉裡談過 AI 時代系統介面的標準化趨勢，Agent Skills 正是這股趨勢延伸到「人的經驗」這一層的產物。

「煉化」到底在做什麼：技能包的雙層架構

colleague-skill 由開發者 titanwings 在 2026 年三月上線，標語是「將冰冷的離別化為溫暖的 Skill」。它在五天內衝上 6,600 顆星，到四月中旬突破 13.4k 星、1.2k 次 fork，並演化成涵蓋「前任.skill」「導師.skill」「老闆.skill」的 dot-skill 系列。熱度的背後，是它把一個抽象的願望變成了具體的檔案結構。

所謂「煉化」，做的是把一個人拆成兩層來封裝：

• 人格層（Persona）：定義「這個人是誰、怎麼說話、怎麼做決定」。包含身份認同、硬規則、表達風格、決策模式、人際行為這五層結構，落地成 identity.yaml、rules.yaml、expression.yaml 等檔案。
• 記憶層（Memory）：存放「這個人累積的知識與情境」。包含工作技能（work_skills.md）、過往對話記錄（chat_history/）與團隊共享記憶（shared_memory.md）。

整個技能包的資料夾長這樣，入口是一個 SKILL.md：

colleague-skill/
├── SKILL.md          # 入口：定義何時觸發、怎麼運作
├── persona/          # 人格層：身份、規則、語氣、決策模式
├── memory/           # 記憶層：工作知識、歷史對話、共享記憶
└── scripts/          # 工作分析、人格構建、增量導入腳本

實際的煉化流程分五步：匯出聊天記錄（LINE、Slack、Microsoft Teams、Email）、資料清洗去除個資、建構人格模型、匯出成 skill 格式、上線後持續修正進化。值得注意的是，這套架構之所以能跨工具通用，正是因為它沒有自己發明格式，而是建立在 Anthropic 的 SKILL.md 規格之上。要把同事煉化成技能包，第一步永遠是搞懂 SKILL.md。

30 秒總覽：把同事煉化成技能包的四條路徑

同樣是「煉化同事」，用不同工具的定位差很多。下面這張表先建立全局，後面每個工具再展開：

關於各家訂閱與額度的數字波動很快，本文不列具體月費，請以官方頁面為準（連結整理在文末）。下面從 Agent Skills 的原生實作 Claude 開始。

用 Claude 實作：把資深 PM 的訪談直覺煉成一個 Skill

Agent Skills 是 Anthropic 提出的開放標準，本文規格查證於 2026 年 6 月 15 日，以 官方文件為準。它把一個人的專業，封裝成 Claude 在需要時才會載入的「按需專業知識」。

SKILL.md 結構與三層漸進式揭露

每個 Skill 都是一個資料夾，核心是帶 YAML frontmatter 的 SKILL.md。frontmatter 只有兩個必填欄位：

---
name: pm-requirement-interview
description: 把模糊的客戶需求問成可執行的規格。當使用者要準備需求訪談、
  整理客戶會議、判斷一個功能要不要做時使用。
---

# 需求訪談技能

## 何時使用
客戶說「我想要一個會員系統」這種模糊需求時。

## 工作流程
1. 先問預算與時程，再談功能（預算決定範圍）。
2. 用「這個功能不做會怎樣」反問，篩掉偽需求。
3. 把每個需求翻譯成一句可驗收的描述。

## 範例
詳見 examples/membership-case.md

規格上有幾個容易踩的點：name 最多 64 字元、只能小寫字母數字與連字號，而且不能包含「anthropic」或「claude」這兩個保留字；description 最多 1024 字元，必須同時寫清楚「做什麼」和「何時用」，因為 Claude 就是靠這段描述決定要不要載入這個技能。

真正讓 Skill 不會把上下文塞爆的，是它的三層漸進式揭露機制：

這代表你可以裝上幾十個「同事技能包」而不拖垮 AI，因為平常 Claude 只記得每個技能的一句描述，真正需要時才用 bash 去讀完整的 SKILL.md，引用到的腳本則是執行後只回傳結果，程式碼本身完全不進上下文。這套設計的工程細節，Anthropic 在〈Equipping agents for the real world with Agent Skills〉這篇工程部落格講得很完整。

實戰：在 Claude Code 裡建一個同事技能包

以 Claude Code 為例，它只支援自訂 Skills，而且完全基於檔案系統，不需要透過 API 上傳。步驟是：

• 選位置：個人通用的放在 ~/.claude/skills/，只屬於某個專案的放在該專案的 .claude/skills/。
• 建資料夾與 SKILL.md：照前面的 frontmatter 格式寫好「何時用、怎麼做」。把離職 PM 兩年的客戶會議筆記整理進 references/，把他常用的報價試算邏輯寫成 scripts/ 裡的 Python 檔。
• 清洗資料：匯入前務必移除客戶個資、內部薪資等敏感內容，這一步沒有捷徑。
• 自動探索：Claude Code 會自動掃描這些資料夾，當你的提問符合某個 skill 的 description，它就自動載入。你不需要每次手動 @ 它。

在 claude.ai 網頁版則是另一條路：到「設定 → 功能」以 zip 檔上傳自訂 skill，適用於 Pro、Max、Team、Enterprise 方案。要注意自訂 Skills 不會跨平台同步，上傳到 claude.ai 的不會自動出現在 API 或 Claude Code，這點規劃時要先想好。Anthropic 也在 anthropics/skills 這個 repo 開源了一批官方技能包，以及 Claude Code 的 Skills 文件可以照著做。

優勢與隱憂

Claude 的優勢是它就是這個標準的制定者，文件最完整、行為最可預期，三層載入機制在實務上對「裝很多技能包」這個場景特別友善。隱憂則有兩個：一是透過 Claude API 跑 skill 時沒有網路存取、不能即時裝套件，自動化情境會受限；二是技能包本質上是「可執行的指令集」，裝來路不明的 skill 等於在你的環境裡跑別人的程式碼，這個安全課題我們放到後面專門談。

用 Google Antigravity 實作：技能、人格、編排三件套

Google Antigravity 是一個 agentic IDE，它把 Agent Skills 的概念延伸成三個互補的元件，特別適合「煉化同事」這種需要還原一個人完整工作方式的場景：

• Skills（SKILL.md）：跟 Claude 同格式，封裝「怎麼做某件具體任務」的知識。
• agents.md：用來定義「AI 的人格與團隊角色」，這正好對應 colleague-skill 的人格層，你可以在這裡描述這位同事是謹慎型還是衝刺型、溝通偏正式還是隨性。
• Workflows：扮演編排者，把多個技能串成一條有結構的多步驟行動計畫。如果離職同事的價值在於一整套流程（接需求 → 估時 → 拆票 → 驗收），Workflows 就是把這條流程固化下來的地方。

Antigravity 在 2026 年五月更新到 2.x，技能與工作流的整合更成熟。官方有 Agent Skills 文件與多個 codelabs 可以照做。如果你對 Antigravity 本身的能力還不熟，我們在〈Google Antigravity 2.0 與 Gemini 3.5 Flash 實測〉裡有完整體驗，也在〈Antigravity、Claude Code、Codex 三大 AI Coding Agent 完整比較〉裡把三者的定位差異講得很清楚，這篇可以當作那篇的「技能包應用篇」來讀。

用 OpenAI Codex 實作：相容標準再加自己的擴充

OpenAI Codex 在 2025 年 12 月加入了 Skills 支援，做法是相容 SKILL.md 這個共通格式，再疊上自己的擴充。重點有三個：

• 技能位置：個人的放 ~/.codex/skills/，專案的放 .codex/skills/。
• openai.yaml：在技能資料夾裡可以多放一個 openai.yaml，補上 Codex 專屬的 UI 中繼資料與 MCP 工具依賴。也就是說同事技能包除了知識，還能宣告「我需要呼叫哪些外部工具」。
• AGENTS.md：Codex 原生支援 AGENTS.md，放在 repo 根目錄或 ~/.codex/AGENTS.md 當全域指令，用來告訴 Codex 你的專案怎麼運作。

最關鍵的一點是相容性：同一份 SKILL.md 在 Codex CLI、Claude Code、OpenClaw、Cursor 之間幾乎不用改就能通用。這意味著你煉化一次同事，技能包可以跟著團隊用的任何主流工具走，不會被綁死。官方說明見 OpenAI Codex Skills 文件。想知道 Codex 跟 Claude Code、Antigravity 在實際開發任務上誰強誰弱，一樣可以參考我們的三大 Coding Agent 比較。

進階玩法：用 OpenClaw（龍蝦）與 Hermes 讓技能包活起來

前面三個工具偏向「在開發環境裡用技能包」。如果你想要的是一個能自己跑、自己學的數位同事，2026 年最受矚目的兩個開源 AI Agent 框架值得認識。

OpenClaw（俗稱「養龍蝦」）：把技能包接上自動化執行

OpenClaw 是 2026 年初爆紅的開源 AI Agent，因為吉祥物是一隻紅色小龍蝦 Molty，社群把部署、運行、調教它戲稱為「養龍蝦」。它的命名史本身就是個故事：最早叫 Clawdbot（Claw 加上 Claude 的諧音），後改名 Moltbot，最終定為 OpenClaw。台灣媒體如〈天下雜誌〉都報導過這股熱潮。

OpenClaw 的特色是整合廣度，它有自己的 Skills 系統，每個技能會定義能力描述、觸發條件、執行邏輯與工具依賴，而且可以部署在阿里雲等自有環境，把同事技能包接上真實的執行能力，讓它不只會回答、還能動手去組織資料、寄信、排程。換句話說，Claude 那邊煉好的技能包，可以搬到 OpenClaw 上變成一個會自己幹活的數位同事。但要注意，一個能自主執行的 Agent 一旦失控，後果比聊天機器人嚴重得多，這也是它被反覆提醒「要懂得怎麼收場」的原因。

Hermes Agent：讓 AI 自己把重複工作煉成技能

Hermes Agent 出自 Nous Research（Hermes、Nomos、Psyche 模型家族的團隊），2026 年二月推出，幾個月內在 GitHub 累積超過 19 萬顆星。它跟 OpenClaw 走的是完全不同的路：OpenClaw 重整合廣度，Hermes 重學習深度。

最大的差別在於對「技能」的看法。OpenClaw 把技能當成你去安裝、更新、管理的軟體包；Hermes 則把技能當成「程序記憶」（procedural memory）。它建立在 Nous Research 所謂的「封閉學習迴圈」上：當 Agent 解決一個任務，它會自動把過程寫成一份可重用的 Markdown 技能檔，把結果存進持久記憶，並調整下次的做法。

對「煉化同事」這件事來說，這是個很有意思的轉向：你不一定要手動把同事的經驗封裝成技能，而是讓 AI 在陪同事工作的過程中，自己辨識出重複出現的模式，自動煉化成技能。同事還沒離職，他的技能包就已經一天一天長出來了。

OpenClaw 與 Hermes 的詳細取捨，英文技術媒體 The New Stack 有一篇〈OpenClaw vs. Hermes Agent〉比較得相當清楚，想深入的可以延伸閱讀。

四種路徑怎麼選：情境選型指南

工具沒有最好，只有最適合你當下的情境。下面用幾個常見場景給出建議：

• 只想最快驗證「煉化同事」可不可行：用 Claude Code。標準最正統、文件最完整，在 .claude/skills/ 丟一個資料夾就能跑，失敗成本最低。
• 要把整套工作流程（不只單一任務）固化下來：用 Google Antigravity。它的 agents.md 加 Workflows 最貼近「還原一個人完整工作方式」的需求。
• 團隊已經重度使用 OpenAI 生態、以程式任務為主：用 Codex，搭配 openai.yaml 宣告工具依賴，跟既有流程銜接最順。
• 要一個能自主執行、資料完全自己掌控的數位同事：用 OpenClaw 自部署，但務必先把護欄設計好。
• 希望 AI 邊做邊自己長出技能、減少人工維護：關注 Hermes 的程序記憶路線。

好消息是這幾條路不互斥。因為 SKILL.md 是共通格式，你完全可以先用 Claude Code 煉化、驗證，再把同一份技能包搬到 OpenClaw 上自動化執行。我們在〈台灣軟體業 AI 轉型實戰筆記〉裡也分享過，工具選型的關鍵從來不是追最新，而是看它能不能無痛接進你現有的流程。

煉化同事前，你必須先想清楚的四件事

把人「煉化」成技能包，技術上越來越簡單，但它牽動的問題遠不只技術。在動手前，這四件事最好先有答案：

• 個資與營業秘密：聊天記錄裡塞滿客戶資料、報價、內部決策。匯入前的資料清洗（去除 PII）不是選配，是法律與信任的底線。
• 同意與勞動倫理：你有沒有權利把一個人的工作軌跡封裝成公司資產？離職者知情並同意了嗎？這在勞動法規與職場倫理上都還是灰色地帶，別等出事才想。
• 安全稽核：Agent Skills 本質是可執行的指令集，Anthropic 官方明確警告「只用可信來源的 skill，並徹底稽核」。一個惡意技能包可能誘導 AI 外洩資料或濫用工具。我們在〈AI 代理人護欄設計的三道防線〉裡完整拆解過 AI Agent 失控的真實案例與防護做法，導入前強烈建議先讀。
• 技能會過時：被煉化的是「某個時間點的判斷」。市場、產品、價格都在變，技能包需要像程式碼一樣版本控管、定期更新，否則新人繼承到的可能是一套過期的直覺。

說到底，把同事煉化成技能包，留住的不該是「取代人」的幻想，而是「讓經驗不隨離職歸零」的務實工程。它最大的價值，是把資深者從重複回答同樣問題裡解放出來，去做只有人能做的判斷。這跟我們在〈為什麼你的 Vibe Coding 總是產出無法維護的架構〉裡談的核心觀點一致：AI 放大的是人的判斷力，不是替代它。

資料來源與延伸連結

本文所有產品規格、版本與數據查證於 2026 年 6 月 15 日，各家訂閱方案與額度變動頻繁，使用前請以官方頁面為準：

• colleague-skill GitHub 專案（「同事.skill」原始開源專案）
• Anthropic Agent Skills 官方文件
• Anthropic 工程部落格：Agent Skills 設計理念
• Claude Code Skills 文件與 anthropics/skills 開源庫
• Google Antigravity Agent Skills 文件
• OpenAI Codex Skills 文件
• 天下雜誌：OpenClaw「養龍蝦」是什麼
• The New Stack：OpenClaw vs. Hermes Agent
• 博客園：「同事.skill」爆火

延伸閱讀

• 對話式 AI 已經不夠用了？Antigravity、Claude Code、Codex 三大 AI Coding Agent 完整比較與企業選型指南
• Google Antigravity 2.0 與 Gemini 3.5 Flash 實測
• AI 客服一夜送出數十張退款券：代理人護欄設計的三道防線
• 台灣軟體業 AI 轉型實戰筆記：從踩坑到上線的全過程

如果你正在思考怎麼把團隊裡的關鍵 know-how 系統化、不再依賴單一員工的記憶，這正是我們在做的事。浪花科技專注於把企業的工作流程交給 AI，從需求訪談、技能包設計到自動化落地，歡迎跟我們聊聊，或先看看我們的 AI 自動化開發服務。