selfdistill

项目介绍

selfdistill 解决的是「每换一个 Agent，就要重新介绍自己一遍」这件事：我是谁、我怎么做事、哪些事我明确不接受。它把历史对话里这些内容蒸馏成一份可检查、可迁移、按需加载的个人档案，再喂给不同的 AI 工具。

它比「让模型总结聊天」多解决三个问题：来源可查（每条结论能回到原始对话）、人可确认（AI 只提候选、不改写自我定义）、范围可控（该加载什么加载什么）。

我的判断是：个人上下文不该是一段越写越长的 prompt，而应该是一组可检查、可迁移、可撤回的文件。

四个设计决定

• 分层存储、按需加载：契约、事实、偏好、简历分开存，加载策略不同——契约每次都要，偏好在相关任务里才加载，减少无关内容占用
• 只提候选，人工确认后才落盘：AI 可以提议「你似乎偏好 X」，但不能自己改写你对自我的定义
• 多端写回：Codex、Claude、DSH 等工具读同一份事实，避免每个工具里都有一个不一致的你
• 数据留在本机：日常沉淀不自动上云，只有蒸馏环节才调用模型

现在能做什么

• 本地 HTML 查看档案，随时读、改、删
• 多模型自由圆桌：同一份事实喂给不同模型，看它们怎么理解你
• 工作证据包可用于简历优化这类需要「事实为准」的场景

边界

它不是记忆插件，不自动抓取对话；产物是文档与技能文件，可读、可改、可删。数据留在本机，蒸馏环节才调用模型。

可迁移的判断

• 个人上下文的价值在「可撤回」：不能被检查和删除的记忆，没人敢用
• 让 AI 提候选、人做决定，是这类基础设施唯一能长期立住的边界
• 多工具并存是现实，一致的事实比聪明的推理更稀缺
• 分层加载的意义在「按需」：不是所有关于你的信息都该每次都进上下文