Knowledge-to-Skill Framework
Knowledge-to-Skill Framework 是把老師傅或領域專家的知識，依「知識現在存在哪裡」來選擇萃取路線，最後壓縮成可載入的 agent-skills。AIHAO 把它整理成六條路線：A 人工訪談、B AI 訪談、C 數位足跡蒸餾、D 示範錄製、E 教材蒸餾、F 互動結晶；重點不是把所有來源混成一種方法，而是先看知識來源與成本結構。
六條路線
- A 人工訪談：適合沒有數位足跡、但能請到專家的場景；成本高，但最容易問到「為什麼」與邊界條件。
- B AI 訪談：讓 AI 引導專家，適合專家數量多、但人類訪談資源少的組織。
- C 數位足跡蒸餾：直接從聊天、文件、code review 抽取實際行為模式，成本最低，但雜訊也最多。
- D 示範錄製：錄下專家實際操作，特別適合軟體工具鏈與 GUI 型工作。
- E 教材蒸餾：從教學影片、文章、手冊蒸餾出方法與原則，適合已有成熟教材的領域。
- F 互動結晶：在日常協作中逐步把判斷與偏好沉澱成結構化資產，適合專家本來就會長期使用 agent 的情境。
兩個最重要的判準
第一個判準是：能寫成程式碼的明確規則，就不要硬塞進自然語言。第二個判準是：太依賴脈絡的品質標準，不要硬做成 prompt，應該盡量變成 eval-is-spec 或其他可驗證形式。這也是為什麼這個框架不只是知識管理，而是把知識、腳本、驗證和載入邏輯一起設計。
和 AI Ark 的關係
AI Ark 這類 wiki 的價值，不只是收集知識，而是把重複任務轉成可維護資產。這個框架直接支援 agent-instruction-files、skills-vs-mcp、loop-engineering 與 harness-engineering-for-ai-coding：先判斷知識在哪裡，再決定是寫成 skill、script、reference，還是 eval。