默会知识：（但愿）AI永远都不可能替代的技能
Table of Contents
随着 AI 智能体（AI Agents）大行其道，网上流传一个有点惊悚的玩法，听着就像是电视剧《黑镜》里的情节。
有人在 GitHub 上发布了一个程序，叫“同事.skill” [1]。它能为你已经离职的同事做一个数字分身：只要上传这位同事的飞书消息、钉钉文档、微信聊天记录、邮件、各种截图以及任何带有他痕迹的东西，再加上你对他的描述，程序就能利用这些素材生成一个 AI Skill——然后就可以据此构建一个智能体替他干活儿。
同事已经离职了，他的工位是空的。可是代表他的智能体却正在公司里兢兢业业地加班，甚至比以前还勤奋。
这岂不是可悲吗？人们难免会想下一个是不是自己。甚至下一次，公司会不会先提取我的 skill，再把我直接裁掉？
这一讲也许带给你一颗定心丸，我不认为你对公司的价值真的可以蒸馏成一个 skill 文档。就算 AI 能模仿你的语调能复现你的流程，它依然无法彻底替代你——因为它拿不走你身上最核心的一块资产，它叫做「默会知识（Tacit Knowledge）」。
什么是默会知识？ #
所谓默会知识，简单说就是那些“只可意会，不可言传”的知识，你知道这个事儿怎么做但是你说不明白，你不能把它写成手册教给别人。与之相对，可以言传的则叫「显性知识（Explicit Knowledge）」。
比如你学炒菜，得到一本菜谱，上面写着：“中火热油，葱姜爆香，收汁至挂勺。”
每个字你都认识，可你还是不知道怎么炒。到底啥叫“中火”？它不是煤气灶的旋钮，它跟锅、灶、油量、食材含水量都有关系。“爆香”是葱姜和油在第 12 秒发生的化学反应吗？那是一个必须根据声音、气味和颜色一起判断的时机。还有“挂勺”是啥意思？
必须有个师傅在现场教你。他也说不清具体的判断标准，但是他会指给你：“现在可以翻。”“再等一秒。”“闻到了吗？就是这个点。”
你自己用心体会。
菜谱上写的是显性知识，菜谱写不出来的功夫是默会知识。用英国分析哲学家吉尔伯特·赖尔（Gilbert Ryle）的说法，前者是“知道是什么”（knowledge-that），后者是“知道怎么做”（knowledge-how）[2]；前者是标准操作流程（SOP），讲究定义、步骤 and 配方，后者讲究的则是手感、火候、分寸和节奏。
显性知识有时候会被人保密起来，但默会知识无需保密。厨师就在你旁边颠勺，医生就在你面前下刀，老程序员就在你屏幕共享时改 bug。你全程都看见了，可你还是学不会。
如果你的所有知识都是来自于文本的显性知识，让你上手实操就是非常危险的。实操必须有默会知识。
难以言说的内化过程 #
默会知识这个概念最早是由匈牙利裔英国哲学家迈克尔·波兰尼（Michael Polanyi）在 1958 年提出的 [3]。
波兰尼有一句招牌式名言：「我们能知道的比我们能说出来的多。」（We can know more than we can tell.）他把知识比作浮在海面上的冰山：露在上面的那一小角是显性知识，而沉在水面下的巨大冰山主体，就是默会知识。
波兰尼成为哲学家之前原本是个做物理化学的科学家。早年在实验室里，他就意识到真正让科学家做出判断的，绝不只是论文里那些公开的方法，还有一整套说不尽的直觉、手感、经验和信念。
为什么默会知识难以言说呢？波兰尼说，因为那是一种「整合（Integration）」：我们并不是孤立地看待事物，而是从许多细小线索出发，朝向一个整体意义进行整合。
比如你看一位熟人的脸，并不是先测量眉毛长度、鼻梁角度、眼距比例然后算出“这是张三”；你是一下子就认出来了。钢琴家不是先盯住每根手指，再把它们拼成音乐；恰恰相反，他得把手指“忘掉”，音乐才能出来。
这就如同你拿锤子钉一颗钉子。你的注意力在钉头上，但你的手部肌肉、握锤的力量、手臂的角度，都在进行极其复杂的实时修正——这些微小的修正不但是难以言说的，而且也是不应该言说的。如果你试图把那些动作拆解成语言说出来，你反而不会钉钉子了。
虽然不能言说，但是那些后台细节——它们构成了默会知识——恰恰是你理解和发挥的基础。
而要掌握默会知识，就必须把那些细节给“内化”，用波兰尼的说法叫做“内居”（indwelling）[4]：先是你住进工具、技能和细节里，随后它们长进你身上，你们合二为一，就如同盲人的手杖不再只是手里的木棍，而成了他身体和感知的一部分。你不是因为记住了动作要领而会骑自行车，是自行车已经部分住进了你的身体。
用现在的语言来说，掌握默会知识就是对大脑神经网络进行参数更新和微调——你说不清神经网络的哪些参数怎么变了，但它们的确变了。
默会知识的四大特征 #
默会知识跟显性知识有四个根本区别，使得它难以被写进 SKILL.md。
第一，默会知识是复杂的模式识别。资深医生看一眼病人的气色就能直觉性地判断出某种罕见病，你说他是怎么看出来的？是哪个像素点告诉他的？说不清。这种直觉是对长期实践的内化，是对一万次试错的高维压缩。
第二，默会知识强烈依赖情境。你可以写一大堆规则，说遇到这种情况应该怎样、那种情况应该怎样，可是现实世界总是有例外。一个顶尖销售在不同文化、不同情绪、甚至不同天气下跟客户交流的策略都不一样，讲究一个随环境变化的“分寸感”，那些变化你写不完。
新手医生看的是指南，高手医生看的却是“这个病人现在适不适合按照指南办”；值班经理看的不是流程图，而是这个异常到底是不是异常。
第三，默会知识经常是一个集体共同的财产，是长在人与人之间的知识 [5]。一个团队在一起待久了，就会形成什么时候“先别说”、什么时候该追问、什么程度算越界、哪种玩笑能开、哪种表态要慎重、什么叫“这句话技术上正确但政治上错误”，什么叫“这个会今天最好别开”……这些不是个人的脑内小剧场，而是整个共同体长期磨出来的默契。
第四，默会知识往往需要身体的参与。认知科学中有个「具身认知（Embodied Cognition）」理论 [6]，就是说很多知识不仅仅在大脑里，也在你的肌肉纤维和神经末梢里。火候、手感、平衡、语气、节奏、停顿、抬眼的时机，这些东西是毫秒级整合，不是自然语言那种线性带宽能完整承载的。
请问你怎么蒸馏这些知识？人必须在现场才行。SKILL.md 只能迁移一个员工的显性知识，却无法还原他的灵魂。
如何学习默会知识？ #
那我们怎么学习默会知识呢？这不用担心，只要是知识，它就能被传授；问题是不能只靠手册传授——你必须到现场内居。
今天，哪怕互联网如此发达，像外科医生、飞行员、甚至木匠这些职业，依然保留着最古老的知识传承制度：学徒制。你最好有个师傅在旁边指导。
首先是在场看。你不能指望通过看视频就学会做手术。你得在现场，站在师傅旁边，看他如何拿刀，感受他处理突发大出血时的冷静氛围，看他如何跟护士配合。
然后是你跟着他一起做。师傅示范你模仿，他随时给反馈纠错，一遍没看明白师傅就把后台的细节拉到前台让你仔细再看一遍，一点一点地刻意练习，直到这些细节慢慢注进你的身体，长成身体图式。
如果你没有正式的导师，可以观察身边那些处理复杂人事、复杂危机的高手。看他们在正式会议之外是怎么说话的，看他们的微表情和节奏感。然后自己在实践中揣摩。
AI 会吞噬默会知识吗？ #
好，现在最重要的问题来了：AI，有没有可能吃掉人的默会知识呢？
波兰尼 1976 年就去世了，他没有看见我们看见的 AI。他当年最爱举的例子——人脸识别，现在已经被 AI 轻松攻克了。机器人可以学会骑自行车 [7]，甚至自行车自己都能稳定前进。机器并不需要你写出显性的识别规则，它自己通过足够多的数据和训练，默默吸收无数个细节，就能抓住那些规则无法言说的东西。
说到底，AI 是神经网络，人脑不也是个神经网络吗？
如果文本记录不能代表一个同事的一切，那我结合影像记录，把其所有的动作、说过的每一句话、每一个微表情都记录下来，够不够呢？现在手术室就已经被搞成了数据原生环境，多模态信息流支持实时决策、预测建模和个性化流程 [8]，我们应用怎么就不能训练一个机器人医生呢？
现实是 AI 已经在吃掉默会知识的外圈。AI 的诊断准确率已经超过人类医生。医生正越来越接纳，甚至依赖 AI 诊断。我们正在见证 AI 员工的水平超过人类员工。
不可言传，不等于不可训练 AI。不能写进 SKILL.md，不等于不能融入大模型的参数……
但是前人对默会知识的思考，还是会给我们一点底气。也许 AI 终究不能穷尽所有的默会知识，我们至少有三个理由——
第一个理由还是来自波兰尼：他认为一种完全显性的知识是不可思议的，因为任何显性的规则应用，一定是建立在更深一层无法言说的默会内化背景之上。你这个定理背后是一个更深的定理，最终归结于几个公理。而那些公理背后没有别的公理，它们只能是不讲理的，是我们的体悟和信仰。AI 敢做出跃迁式的信仰吗？
第二个理由来自科学社会学家哈里·柯林斯（Harry Collins），正是他提出了咱们前面说的“集体的默会知识” [5]。这个洞见是人类的互动是一个动态演化的过程——你机器就算能完全捕捉昨天的统计规律，你也没有办法预测我们明天涌现出来的新默契。小李离职了，我们跟他的数字分身的互动，和跟现在这个小李的互动，怎么可能一样呢？也许公司的竞争力就来自那个不一样的地方。
第三个理由是具身认知。为什么 AI 下国际象棋、做数学题都已经比人厉害，但是让机器人收拾碗筷却这么难呢？这叫「莫拉维克悖论（Moravec’s paradox）」。答案可能是因为跟物理世界互动的这种默会知识是人类亿万年肉身演化的结果。它也许不是那么容易被快速数据化的。
平心而论，我认为这些理由并不是绝对的。但这些是非常有用的思考点。至少暂时来说，如果我们人类还有一点优势，这些默会知识就是我们的优势。
AI 时代的个人护城河 #
那么身处 AI 时代，我们应该如何靠默会知识建立自己的竞争力呢？直观的想法可能是让我的手艺尽量不要数据化，不让人看见我这个活儿是怎么干的，我只呈现结果不解释步骤，这样才能避免被人写成 skill……但这是没有前途的。
你放心，只要“把人变成智能体”这件事有利可图，就一定会有一个比你手艺更好的同行，先把这套手艺卖给智能体公司。你与其藏着掖着，还不如把能写出来的流程都写出来，变成你的杠杆，提高工作效率。
如果昨天的默会注定要被自动化，那我们就要把精力投放到明天的新默会上。
这首先意味着抢占高情境、高例外、高责任的位置。这里异常多、反馈快，边界和责任归属难以界定，容易发生价值冲突。你在这里的操作是难以标准化的。诊断、谈判、架构、选题、审稿、用人、危机应对、品牌判断……每一个微决策都会沉淀成你的新手感。
如果暂时抢不到那样的位置，也一定要进现场内居，而绝不能纸上谈兵或者什么都让 AI 替你做。你甚至不是为了把事儿做对，你是为了积累复利，你得把技能长在自己身上。AI 会的都是公共基础设施，默会知识才是你的私有资本，否则将来凭什么给你更重要的位置？
长期看，任何人都最值得积累的默会知识，是自己的独特审美、人设和信任关系。
你的语言节奏、你的判断风格和幽默感、你的价值函数、你和众人之间的默契，AI 就算能 100% 模仿也没用，因为人们想看到的是动态的你，想知道你下一步会给人什么惊喜。有人可以很成功地让 AI 用鲁迅的笔法写今天的时评，但那并不是我们想要的。
我们想要的是：如果鲁迅活在今天，有切身的经历，见证了这么多年新的历史，他会如何评价今天的事情？我们想调用真鲁迅，而不是鲁迅的数字分身。
归根结底，到了物质极大丰富的那一天，人与人之间互相关心的肯定不是对方的技能包，而是对方本人。
轮扁斫轮的启示 #
说到默会知识，我们不能不提《庄子》里的一个小故事，叫“轮扁斫轮”。
齐桓公在堂上读书，有个叫轮扁的木匠在堂下制作轮子。轮扁问齐桓公：“您读的是什么书啊？”桓公说：“圣人之言。”轮扁冷笑一声说：“那是古人的糟粕啊！”
齐桓公怒了，说你不说出个道理来我就宰了你。轮扁说了一番话，两千年后的波兰尼也不能超越——
“就拿我制作轮子这个事儿来说，手慢了不行，手快了不行，这个劲儿到底怎么用，我无法用语言表达，我都没法传授给我的儿子。所以我今年七十了还在这儿当木匠。那你说，古人的手艺又怎么能都写在书上呢？你读的这些显性知识，岂不就是糟粕吗？”
如果你听说前公司把你写成了 SKILL.md，你完全可以对他们说一句：你们蒸馏的，是我的糟粕。
【收束小诗】
能说的是规则， 会做的是火候。 模型能背下你的句子， 分寸只长在你走过的路上。
注释 #
- titanwings/colleague-skill
- Ryle, Gilbert. “Knowing How and Knowing That: The Presidential Address.” Proceedings of the Aristotelian Society 46 (1946): 1–16.
- Polanyi, Michael. Personal Knowledge: Towards a Post-Critical Philosophy. Chicago: University of Chicago Press, 1958.
- Hadjimichael, Demetris, Rodrigo Ribeiro, and Haridimos Tsoukas. “How Does Embodiment Enable the Acquisition of Tacit Knowledge in Organizations? From Polanyi to Merleau-Ponty.” Organization Studies 45, no. 4 (2024).
- Collins, Harry. Tacit and Explicit Knowledge. Chicago: University of Chicago Press, 2010.
- Shapiro, Lawrence. “Embodied Cognition.” The Stanford Encyclopedia of Philosophy, 2021.
- Liu, Jinghao, et al. “Coordinated Trajectory Tracking and Self-Balancing Control for Unmanned Bicycle Robot Against Disturbances.” Actuators 15, no. 1 (2026): 49.
- Kudsi, Omar Y., et al. “Reimagining Surgery in a World Powered by Intelligence, Connectivity, and Code.” npj Digital Surgery (2026).