1.2K Star！一款开源的写作蒸馏 Skill，六个层次蒸馏独属的文章风格！

今天要聊的这个开源写作SKILL，它不让AI直接模仿，而是先让AI系统地把一批文章”拆了揉碎了”，提取出一套可以反复复用的规则，再用这套规则去指导写作。

这就是 writing-dna-skill——一个可以给任意作者做”写作DNA检测”的Agent Skill。

项目简介

writing-dna-skill（中文名叫”写作蒸馏器”）是一个开源的Agent Skill，由 GitHub 用户 larashero3-dotcom 开发，目前已经在 GitHub 上拿到了 1.2K Star。

简单说，它做的事情是：

给AI 20篇以上的完整文章，让它把这个作者/账号的写作风格拆解成一份”写作DNA报告”，包括语言习惯、文章结构、选题逻辑、素材偏好、认知框架甚至视觉风格——然后以后每次写作前，让AI先把这份DNA报告读一遍，再动笔。

这不是微调模型，也不是训练新的AI人格。

它只是一套流程规范——告诉Agent应该按什么顺序、用什么方法去分析一堆文章，然后把分析结果存成一堆Markdown文件。以后写作的时候，Agent先读这些文件，再干活。

为什么之前的方法不管用？

让我们先搞清楚，”让AI模仿风格”为什么经常失败。

传统做法通常是这样的：

Step 1: 找3-5篇范文
Step 2: 把范文塞进prompt
Step 3: 说一句"请参考以上范文的风格写一篇XX"

问题出在哪？

第一，样本量太少。 3-5篇文章里偶然出现的写法，会被AI当成”固定风格”。比如这个作者某天心情好用了三次感叹号，AI就以为他每篇文章都要感叹。

第二，只看表面不看本质。 AI能模仿的只有”词、句、段落”这种表层特征。但真正让一个作者”像他自己”的东西，其实藏在更深的地方——他为什么选这个话题？为什么从这个角度切入？为什么引用A的数据而不是B的？这些东西，AI靠几篇范文是悟不出来的。

第三，注意力容易涣散。 文章越长，AI越容易”忘记”开头要模仿风格这件事。写着写着就回到AI自己的表达习惯上去了。

writing-dna-skill的做法，相当于把这三个问题都解决了。

核心亮点

这个项目最有意思的地方，是它不把”风格”当成一个模糊的感觉，而是把它拆成了六个层次来逐层分析。我觉得这是整个项目最精华的设计。

来看这张表：

这六层的关系可以浓缩成三句话：

• • L1-L2：解决”怎么写” ——语言习惯和文章骨架
• • L3-L5：解决”怎么想” ——选题逻辑、素材策略、认知框架
• • L6：解决”怎么呈现” ——图文搭配和视觉风格

缺了哪一层都不行。

只复刻L1-L2，写出来会”读着像但想法不像”——表面语气对了，但说的话不是那个作者会说的。只复刻L3-L5，会”框架像但语气不像”——道理对了，但说话方式不对。忽略L6，做图文内容就会”文字像但看着不像”——公众号读者一眼就能看出排版不对。

这个六层拆分，在我看过的所有”风格复刻”方案里，是最系统、最扎实的一个。

它能分析出什么

说了这么多，具体会生成什么东西？来看一个完整的蒸馏产物目录：

作者或账号名称/
├── raw/                      # 原始文章语料（至少20篇）
├── _meta/                    # 元数据标注（每篇文章的标题、日期、类型等）
├── 语言DNA.md                 # ← L1 分析产物
├── 文章结构模板.md             # ← L2 分析产物
├── 写作视角与认知框架.md       # ← L3-L5 分析产物
├── 视觉风格指南.md             # ← L6 分析产物
└── Writing-DNA.md             # ← 最终整合文档（写作时最常用）

每个文件里会写什么？举几个例子你就懂了。

语言DNA.md 里可能会有：

• • 高频动词排行：”指出”、”对比”、”意味着”、”关键是”
• • 平均句长：27字，15字以下短句占38%
• • 标点偏好：破折号使用频率是引号的1.8倍，括号极少
• • 中英文混用模式：技术术语保留英文原词，不翻译

文章结构模板.md 里可能会有：

• • 深度分析类文章结构：”反直觉开篇 → 三个论点展开 → 一个反例 → 总结收束”
• • 评论类文章结构：”新闻事件简述 → 多数观点 → 我的角度 → 为什么别人看错了”
• • 标题习惯：80%标题用”XX其实是XX”句式

写作视角与认知框架.md 里可能会有：

• • 反复出现的核心命题：”技术是双刃剑”、”信息差即价值”
• • 素材偏好：优先引用英文一手来源，不信任二手转述
• • 选题判断树：先看是否有新数据 → 再看是否有反常识角度 → 最后看是否有独特价值判断

这些都是可以被AI直接读取、逐条检查的规则，而不是一段模糊的”请模仿以下风格”prompt。

快速上手

看完原理是不是心动了？来看看怎么用。整个流程非常清晰，核心就三步。

第一步：准备语料

收集目标作者的至少20篇完整文章，放进一个文件夹里。

要求：

• • 文件格式：.md 或 .txt 都行
• • 数量：至少20篇，建议30-50篇
• • 覆盖不同时期、不同主题、不同类型的文章
• • 如果是图文内容，配图也要保留（很多风格藏在图里）

你可以手动抓取，也可以让Agent帮你从公众号、博客、Newsletter里扒。

第二步：执行蒸馏

把文章放好后，只需要对Agent说一句话：

请使用 writing-dna-skill 蒸馏分析 raw/ 目录里的所有文章。

然后Agent会自动按六层流程分析，最后输出那一套Markdown文件。

如果你用的是 Claude Code、OpenClaw、Moxt 这类支持 Skill 的Agent工具，直接 clone 仓库就能用：

git clone https://github.com/larashero3-dotcom/writing-dna-skill

仓库本身就是MIT协议开源，没有任何付费门槛。

第三步：用DNA写作

蒸馏完成后，以后想按这个风格写文章，这样跟Agent说：

请先阅读这个作者目录下的所有蒸馏产物，
尤其是 Writing-DNA.md、语言DNA.md、文章结构模板.md。

然后根据这些风格规则，帮我写一篇文章。
主题是：……

如果写出来”不像”，别让Agent自己瞎琢磨，直接让它逐项检查：

请对照 语言DNA.md、文章结构模板.md、写作视角与认知框架.md，
逐项自检刚才的输出，找出不符合风格规则的地方，然后重写。

这一招特别好使——Agent对”逐条检查”的执行力，远比对”整体感觉”的把握要靠谱得多。

它的边界在哪

说了这么多优点，也得讲讲它的局限。这个项目自己也明确写了几个边界：

第一，它不是万能的。 这是一个”Context Engineering”系统，不是模型微调工具。如果你的底层模型本身表达能力有限，DNA再精准也救不了。Skill解决的是”怎么约束模型”，但模型的天花板在那。

第二，语料质量决定上限。 你喂进去的20篇文章如果是作者某一个时期的某一种内容，蒸馏出来的DNA就只能代表那个小切片。想复刻完整风格，就得喂足够多样的样本。

第三，不要用于冒充作者本人。 项目文档里特意写了”重要边界”——这个工具用于学习、分析、风格研究和个人写作资产沉淀，不要用于冒充作者本人、误导读者，或侵犯他人版权。这一点必须遵守。

它能用来干什么

说了这么多，具体有哪些使用场景？

场景一：沉淀自己的写作风格资产。 把自己过去写的公众号文章、博客、Newsletter扒下来蒸馏一遍，以后换了新模型、换了新Agent，直接喂DNA就行，相当于给自己的写作习惯做了一个”备份”。

场景二：分析行业标杆的写作套路。 比如你想研究某科技博主为什么火，把他50篇文章蒸馏一下，你会发现他的选题逻辑、素材偏好、认知框架全都被拆成了明明白白的规则。学习起来比通读他所有文章高效得多。

场景三：让团队写作风格统一。 一个内容团队好几个人写文章，风格各不一样？把团队”定调”的核心文章蒸馏一份DNA，以后所有人写之前都先读一遍，风格统一性会好很多。

场景四：对比不同作者的表达差异。 把两个作者的文章分别蒸馏，然后对比两份DNA——你会清楚地看到：同样一个话题，A喜欢从数据切入，B喜欢从故事切入；A的核心命题是”效率优先”，B的核心命题是”人文关怀”。这种对比本身就是非常有价值的洞察。

写在最后

writing-dna-skill 给我最大的启发，不是”怎么更好地模仿风格”，而是它提供了一套”把模糊感受变成可执行规则”的方法论。

这个思路其实可以复用在很多场景上——不只是写作风格，说话方式、产品审美、代码风格……只要你能找到可以量化、可以拆解的维度，都可以用类似的思路去”蒸馏”，再让AI按蒸馏结果去执行。

对内容创作者来说，这个工具的价值尤其直接，以后每次写作前先读一遍——稳定性和效果都会好很多。

最后放一下项目地址：

👉 GitHub: https://github.com/larashero3-dotcom/writing-dna-skill