让 AI 模仿某个作者的文风，是内容创作者提得最多的需求之一，也是翻车翻得最狠的需求之一。今天介绍的开源项目叫 writing-dna-skill（写作蒸馏器）。它不是一句简单的"模仿某某风格"的提示词，而是一整套蒸馏流程——让 Agent 把一批完整文章拆解成可复用的 Writing DNA，从语言、结构、选题、素材、认知框架到视觉风格，六个层面全覆盖。
先看数据：GitHub 上 1301 Star、134 Fork，MIT 协议，moxt.ai 团队出品，2026 年 6 月底创建，两个多月攒下这个热度。小红书 REDSkill 排行榜上，它的使用人数排第三，超过 6759 人用过。这款 skill 的作者是一位前文字记者，他自己用了半年，公开说法是"完全改变了写作模式"。双口径数据都足够硬核，说明稳定复刻写作风格这件事确实踩中了痛点。
为什么普通的风格模仿总翻车
最常见的做法是丢几篇例文给 AI，补一句"照这个风格写"。但 Agent 只是在凭感觉抓表面语气——它看到的是几篇文章的样子，没看到这个作者为什么这样写。出来的东西读着有点像，细看哪都不对：句子像，想法不像；框架像，语气不像；文字像，配图排版完全不像。
往底层看，预训练靠不住。大模型训练时肯定读过大量经典作品，但你直接让它模仿某种风格，它只能从几十亿参数里模糊调取一点残影——因为这些文本已经和其他万亿 token 的训练数据混在一起，信号被稀释得差不多了。
市面上一些蒸馏风格的 skill 也有同样的问题：思维层面没学到精髓，复刻出来的是个只会甩口头禅的空壳。
风格对 AI 是一团模糊感受，模糊的东西没法稳定复现。想复刻，就得先把它变成能记录、能复用、能检查的规则。writing-dna-skill 干的就是这件事。
六层拆法：把风格变成工程问题
它的第一步，是把写作风格当工程问题处理。基于语言学的研究方法，用量化统计加深度分析，把写作风格拆成可复制的规则，AI 写作时逐层对照。底层假设是：写作风格是多个相互独立又彼此咬合的文本层次叠加的，所以每一层必须单独拆开。
| 层次 | 分析对象 | 输出产物 |
|---|---|---|
| L1 表层语言 | 词频、句长、标点、修辞、常用表达 | 语言 DNA.md |
| L2 文章结构 | 开头 hook、正文架构、转折方式、结尾收束 | 文章结构模板.md |
| L3 选题逻辑 | 发布时机、切入角度、话题优先级 | 写作视角与认知框架.md |
| L4 素材策略 | 引用来源、权威对象、案例和数据使用方式 | |
| L5 认知框架 | 世界观、价值判断、核心假设、反复出现的命题 | |
| L6 视觉风格 | 配图策略、排版格式、字体层级、色彩使用 | 视觉风格指南.md |
L1 是最小单位，统计作者爱用哪些词、句子多长、爱不爱用感叹号。L2 是文章骨架，怎么开头、递进、收尾。L3 到 L5 是思维层面——选题出发点、写作角度、认知框架，这也是六层里最难的部分，更难量化，更难被 AI 学会。L6 管配图和排版，如果素材里本来就没图没样式，这一层自动跳过。
README 里的总结很准确：L1-L2 解决怎么写，L3-L5 解决怎么想，L6 解决怎么呈现。只抓 L1，文章读着像但想法不像；只抓 L2，框架像但语气不像；忽略 L6，图文内容就是文字像、看着不像。三样都得抓，复刻才完整。
四个核心设计
分层是骨架，落到执行层，仓库里那份 325 行的 SKILL.md 藏着四个设计，每一个都在解决一个具体痛点。
图片内容强制纳入分析
痛点是图文账号的截图、对话记录、数据表格本身就是论证链的一部分。执行上要求至少抽样 5-10 篇文章逐张看图，图片还会被分成证据型、演示型、数据型、叙事推进型、情绪型等六种功能，再归纳出图文协作模式。
元数据标注不可跳过
痛点是开头怎么写、正文怎么组织这种事全凭感觉，得变成可统计的分布。每篇文章都建结构化元数据，记录开头类型（问题式/场景式/数据式/观点式/悬念式）、结构骨架（总-分-总/时间线/对比式/Q&A）、字数、话题标签等。
结构模板按内容类型分类
访谈和短评的结构差得很远，一套通用模板哪种都套不准。蒸馏按访谈、深度分析、短评这些类型分别整理结构模板。
中英文产物分离
用中文下指令却想产出英文 Newsletter？中文走 templates/author-corpus/zh/，英文走 templates/author-corpus/en/，没指定时跟随语料的主要语言。
如何上手：三步走
第一步：攒素材
这步最关键，也最需要人介入，因为蒸馏器的产出质量上限是被素材锁死的。硬要求有几条：
- 数量：至少 20 篇完整文章，30 篇进入理想区间
- 长度：单篇最好超过 1000 字，太短的撑不起结构层和认知层分析
- 格式：.md 或 .txt 纯文本，要全文不要摘要
- 体裁统一：写日记和写论文的风格差得远，混在一起蒸馏模型会取中间值
第二步：跑蒸馏
素材备好后完全不用动手。Agent 会自动做七件事：收集文章、逐篇建元数据、统计词频句长、标注结构骨架、深度阅读提炼认知框架、分析配图排版，最后整合成 Writing-DNA.md。
其中 L3-L5 原文明说无法用脚本替代——脚本算得出词频，算不出一个作者的价值判断。工具能干的永远是可量化的那一半。
第三步：复用
蒸馏完 AI 不是直接就能写出这个风格，每次写作前必须重新读取——不允许只凭 Writing-DNA.md，也不允许凭上一轮对话的记忆下笔。
完整流程是先读完全部四份分层产物加整合文档，再从原始素材里选 5 篇和本次写作体裁、题材最接近的原文通读，然后才动笔。读原文不是找素材，是校准分层产物描述不出来的东西——句子的呼吸感、段落怎么接、什么时候突然用一个短句。
底层原理：为什么蒸馏比微调有效
预训练里的信号被稀释了，但如果你把十几万字的原文摆进上下文，再把提炼出来的风格规则放在最前面，模型的注意力就被锚定在这些具体内容上。蒸馏的作用就是把模型当下的注意力完全集中到你需要的风格上。
作者还试过微调这条路——拿几十篇文章做 SFT，效果很差。他和算法朋友交流过结论：几十万字相对于预训练见过的万亿 token，信号太弱，权重几乎没偏移。训完推理时又没有任何显性提醒，模型回到巨大的参数空间里随机乱跑。
微调试图改变底层记忆，蒸馏改变的是此刻的注意力焦点。写作风格复刻这种小样本场景，后者天然更有效。
如何去 AI 味
蒸馏解决的是"像不像这个作者"，AI 味是另一个问题。仓库随附了 skills/lieflat-less-ai-tone/ 规则集当收尾工序——白名单式改写，只处理清单里明确列出的规则，没命中的句子逐字保留。
还有一条关键冲突规则：当蒸馏产物和去 AI 味规则打架时，以蒸馏产物为准。因为目标作者本来就爱用的写法（比如破折号），那是作者的真实风格，不是 AI 痕迹。
写在最后
writing-dna-skill 真正的贡献不是某个提示词技巧，而是把"写作风格"这个模糊概念工程化，整理成了一套可执行的流程。六层分析、结构化元数据、类型化模板、强制读取——每一步都在把感觉变成规则。
做内容的人就算不直接用这个 skill，这套思路也值得搬进自己的写作工作流。免费开源，下载下来就能跑。