【图文拆解】Stéphane — 手搓考公技能包：把 10 位公考大佬的”解题脑”装进 AI Agent

拆解日期：2026-06-17 作者：Stéphane ｜ 类型：图文作品（5 张图）｜ 平台：抖音 #vibecoding #手搓 #公考上岸 数据：1834 赞 · 951 收藏 · 357 转发 · 68 评论（收藏 / 赞 ≈ 0.52，是典型的”干货收藏型”内容） 核心公式：把名师的解题方法论”蒸馏”成决策树 → vibecoding 成一套 Skill → 配进任意 AI Agent，让 AI 像 10 位大佬同时坐你旁边陪你做题。

这篇不讲”AI 能不能考公”，讲一件更具体的事：一个人怎么用一晚上的 vibecoding，把分散在视频、讲义、笔记里的 10 位公考名师”打包”成 AI 能直接调用的能力。

它和博客里已有的 @雷霆咆哮绝绝子的 Obsidian 公考方案 是同一条赛道上的两种路线——一个建”知识库”，一个搓”技能包”。差别在哪、谁更适合你，文末会拆。

一句话定性

这不是一条”AI 鸡汤”，而是一条有完整工具链、有真实截图、有现场演示的 vibecoding 实操记录。它真正的价值不在”做了个考公工具”，而在示范了一种可迁移的动作：把人类专家的隐性经验，结构化成 AI 可执行的决策树。

作者原文（desc）

考公 & vibecoding。前段时间国外有位大佬用与 AI 对话的方式以优秀的成绩通过了各项大学考试，最近一直在想如何用 Agent 给公考赋能。线上的大佬各类资源这么多，包括视频、讲义、笔记等等，都需要整理，要提炼出大佬们的核心逻辑链，于是 vibecoding 了一个技能包，内置有十位考公大佬的思维逻辑链，可以直接配置到所有的 Agent 工具里。 #vibecoding #手搓 #编程 #公考 #公考上岸 #vibecoding大赏

这段配文里藏着三个关键词，是整条内容的骨架：“提炼核心逻辑链”（不是搬运）、“思维逻辑链”（蒸馏的是思维不是知识点）、“配置到所有 Agent 工具”（产物是通用能力，不绑定单一软件）。

五张图，还原他到底做了什么

这条图文最值钱的地方：5 张图不是摆拍，是从设计 → 生成 → 配置 → 实战的完整链路截图。逐图拆。

图 1 ｜ 技能包的”人物卡”设计

封面是一个代码编辑器，打开的 README.md 标题写着 # 🍊 公考大佬 Skills，副标题：“十位考公名师方法论，一次集齐。让任何 AI Agent 秒变公考导师团。”

下面是一张”人物卡”表，每位大佬一行，结构是 姓名 ｜ 标签 ｜ 招牌方法 ｜ 一句话心法：

大佬标签招牌方法心法
白鹭结构主义申论第一人大作文 24 句模板、五大题型框架”申论不是写作文，是填空”
小马哥B 站申论实战派材料本位拆解—
花生十三资料分析速算技巧体系”是考你会不会，不是考你算不算”
牟立志速算教父速算六阶”快，是脑子少走弯路”
毛娃儿数量小白拯救者数量关系抢分”拿该拿的分”
小黑政治理论背诵神器框架口诀、排除法”常识不是背出来的，是推出来的”
齐麟团队科学刷题体系创建者读题圈圈训练、夺分段计划”刷题不是只刷题，是会刷题”
龙飞图推视觉识别开创者标识图索引、考点决策树”图推不需要聪明，需要敏感”
刘义恒图推出题者视角解读者母题溯源、得分率分层”每道新题都有一道母题”

看点：他把”名师”这个模糊概念，先压缩成一张可对比的卡片。每位大佬只留最锋利的那一招 + 一句价值观——这一步是后面所有动作的地基：你得先想清楚”要蒸馏什么”，才能让 AI 帮你蒸馏。

图 2 ｜ 用 Claude CLI 把方法论”长”成文件

这张是关键证据图。一个 AI CLI 界面（底部标着 Claude CLI · deepseek-v4-pro 模型），AI 回复”全部完成。以下是总结：“，列出了它刚生成的三个 mentor-pack 文件：

文件导师大小核心思维模型
longfei-tuitui.md龙飞·图推17.9 KB标识图驱动——看到图形触发视觉记忆，锁定 2-3 个考点直接验证，不穷举
liuyiheng-tuitui.md刘义恒·图推17.8 KB母题溯源 + 得分率决策——每道新题追踪母题来源，按历年正确率决定时间
xiaomage-shenlun.md小马哥·申论23.3 KB材料本位·极简表达——材料先于框架，答案从阅读理解中自然浮现

下面 AI 还输出了”每位导师的决策树核心差异”，这是整条内容的技术内核，原样抄录：

  • 龙飞：图形 → 视觉标识识别（0.5 秒）→ 锁定候选考点（2-3 个）→ 按优先级验证（对称 → 曲直 → 一笔画 → 空间 → 交点 → 元素 → 样式 → 位置）
  • 刘义恒：题目 → 判断难度等级（送分 / 中等 / 难题，参考历年正确率）→ 分配时间（30 秒 / 1 分钟 / 跳过）→ 识别出题者加密手法 → 解密验证
  • 小马哥：审题 → 逐段读懂材料（三问：说什么事？核心句在哪？能直接用吗？）→ 自然归类（不套框架）→ 极简表达（原词优先）

看点：注意每个文件都有 17-23 KB。这不是一句 prompt”你扮演花生十三”，而是把每位大佬的完整决策流程写成结构化文档——AI 调用时拿到的是”遇到 X → 走 Y 流程 → 出 Z 答案”的可执行链路，不是一句人设。

图 3 + 图 4 ｜ 配进 WorkBuddy，跑一道真题

后两张图换到了一个叫 WorkBuddy（v4.7.0） 的 Agent 工具里，工作区路径 D:\考公导师skills包\公考大佬…。他把技能包配置进去后，直接喂了一道判断推理真题：

  1. 某古生物学研究小组在白垩纪晚期地层中发现保存完整的恐龙皮肤化石……研究人员推测这些微小的中空管状结构是恐龙用于调节体温的特殊结构。以下选项最能支持上述推测的是（ ）。

WorkBuddy 自动识别：“这是一道判断推理——逻辑判断题，属于「加强论证」类型。按照花生十三·言语的方法论来拆解。“然后走了一整套流程：

  1. 读题 / 审题：先拎出论点（结论）= “中空管状结构用于调节体温”。
  2. 搭桥分析：A 项”结构能增强散热 → 散热就是体温调节”，直接把”结构”和”功能”连起来 → 判定为搭桥项 ✅。
  3. 给口诀级框架：
优先级选项类型说明
⭐ 最强搭桥项直接连接论据 → 论点，填补逻辑缺口
⭐⭐例证项举例子证明论点成立
⭐⭐⭐（最弱）背景 / 需求项说明有必要性，但不直接证明

口诀：加强先看搭桥，没有搭桥再看例证，背景需求最弱。

它甚至举了个接地气的例子帮你建立直觉——“小明每天刷题到凌晨，所以能考上公务员”，逻辑缺口是”刷题到凌晨”和”能考上”没有直接联系，搭桥项应该是”刷题量大的考生通过率显著更高”。

看点：这是整条内容的”交付验收”。它证明蒸馏出来的不是死知识，而是活的解题判断——AI 能自己判断题型、选对方法论大佬、走完决策树、还能给口诀和类比。这一步把”我做了个技能包”从口号变成了可信的演示。

那位”国外大佬”到底是谁？这事可信吗

Stéphane 的灵感来源——“国外有位大佬用与 AI 对话的方式以优秀成绩通过各项大学考试”——并非孤例，而是一个有据可查的现象。

  • 最出圈的是一名 UCLA 毕业生，在毕业典礼直播大屏上公开展示自己靠 ChatGPT 完成学业，全场欢呼，视频疯传。
  • 更硬的是学术证据：伊利诺伊大学香槟分校把大语言模型接进一门本科航空工程课，ChatGPT 几乎不用精调 prompt 就拿到 B（82.2%），考试均分 89.7%，高于全班均分 84.8%。
  • 澳大利亚阳光海岸大学一门统计课，3109 名学生横跨 2022-2024 六个学期，AI 普及前后考试均分暴涨约 22 个百分点，通过率从 ~50% 升到 86%。

所以 Stéphane 的出发点站得住：AI 已经被反复证明能”应试”，问题只是怎么把它从”通用学霸”调成”懂中国公考的专项教练”。 他给的答案就是这套技能包。

一个值得留意的细节：vibecoding 这个词本身是 Andrej Karpathy 在 2025 年初提出的——用自然语言和大模型对话式地”把想法写成代码”。Stéphane 做的事，恰好是 vibecoding 精神的一次完美自指：用对话式编程，造一个让别人能对话式做题的工具。

核心方法论：从”抄名师”到”蒸馏名师的决策树”

这条内容真正可学的，是一个认知升级：大多数人收集名师资料，是在囤”知识点”；而真正有用的，是萃取名师的”决策链”。

两者的区别，决定了你的 AI 是”百科全书”还是”教练”：

维度囤知识点（多数人）蒸馏决策链（Stéphane）
存什么课程笔记、讲义、口诀大全”遇到 X 题型 → 判断 Y → 用 Z 方法 → 走几步”
AI 拿到后能干嘛回答”这个知识点是什么”替你做判断、选方法、走流程
像什么一本翻得到答案的书一个坐你旁边盯着你做题的老师

蒸馏的标准动作，从图 2 的三棵决策树能反推出来，可总结为四问：

  1. 入口是什么——拿到题先看什么？（龙飞看”视觉标识”、刘义恒看”难度等级”、小马哥看”材料说什么事”）
  2. 怎么收敛——如何快速砍掉无关选项 / 缩小范围？（锁定 2-3 个候选、判断送分还是难题）
  3. 怎么决策——按什么优先级出手？（按”对称→曲直→…”顺序验证、按历年正确率分配时间）
  4. 怎么验收——怎么确认答案对？（解密验证、串联检验）

把任何一位专家的本事拆成这四问，你就得到了一份能喂给 AI 的”思维逻辑链”。这套方法和公考无关——它对考研、司考、医学考试、甚至你公司里某个”老师傅的手艺”同样成立。

和 Obsidian 知识库方案，到底差在哪

博客里已经拆过 @雷霆咆哮绝绝子用 Obsidian 赋能公考 的方案。两条路都是”名师方法论 + AI 陪练”，但形态不同，适合的人也不同：

对比项Obsidian 知识库（雷霆咆哮）Skill 技能包（Stéphane）
载体Obsidian 笔记库，按题型建目录一组 .md 技能文件 + 路由表
覆盖面聚焦资料分析（花生十三 + 高照）全科 10 位大佬、申论到图推全覆盖
怎么用把笔记当 context 喂给 Claude配置进任意 Agent 工具（WorkBuddy 等）
可移植性绑定 Obsidian 工作流跨工具，“配置到所有 Agent”
调度机制靠人挑相关笔记给 AI内置路由表，AI 自动选对应大佬方法论

一句话：Obsidian 方案像”自建一座图书馆”，Skill 方案像”封装成一个插件”。 前者更自由、改起来顺手；后者更标准化、能分发给别人、AI 自动调度。Stéphane 这套的”路由表 + 优先级”（申论默认白鹭、备选小马哥）是它比纯知识库更进一步的地方——它替你做了”该请哪位老师出场”的决策。

评论区核心洞察（68 条全量拆解）

按老大要求，把这条图文的评论区也全量抓了下来（实抓 65 条 + 二级回复）。评论区往往比正文更诚实——它暴露的是真实需求和真实门槛。

信号一：需求极旺，且全国性

65 条里超过一半（30+ 条）是同一个诉求的变体：“求开源 / 速速上传 GitHub / 求分享 / 想要 / 蹲 / 跪求”。IP 属地从山东、北京、内蒙古到广东、四川、海南——这是一份全国范围、不分地域的刚需画像。公考人对”能直接拿来用的工具”的渴望，肉眼可见。

最高赞（35）一句话精准点题：“终于有人蒸馏考公大神了” ——“蒸馏”这个词是观众自己喊出来的，说明这套”萃取方法论”的定位戳中了集体痛点。

信号二：少数”建造者”，多数”消费者”

绝大多数人只想要成品；但有一小撮技术派在追问实现细节，这部分才是高质量信息：

  • “这种是不是得用知识库？” → 有人回复 “obsidian 就可以”（印证了两条路线的连通）
  • “用什么做的""喂了什么""叫什么名""可以交流一下怎么做么”
  • “我倒是做了个小程序，只是还不太完善，正在加入 AI 查弱”（9 赞）——已经有人在独立造类似的东西

洞察：这个点子”在空气里”，多人正在同时收敛到同一个方向。先把它做完整、能分发的人，会吃到这波红利。

信号三：几乎零质疑——是机会也是盲区

值得警惕的是：评论区几乎没人问”效果到底好不好""版权怎么算""会不会被判作弊”。 全是”想要”。

这说明两件事：① 这类内容的传播阻力极低，做了就有人追；② 但也存在集体盲区——没人验证过提分效果，也没人讨论名师方法论的版权边界。这恰恰是后来者可以做出差异化的地方：谁先补上”效果实测”和”合规说明”，谁的可信度就甩开一截。

可复制的启发：如果你也想做一套

不管你是想给自己做学习工具，还是想做一个 AI Skill 去分发，这条图文给了一套可直接抄的动作：

  1. 先建”人物卡”，别急着喂资料。把你要蒸馏的每位专家压缩成”一招 + 一句心法”（图 1），想清楚蒸馏目标再动手。
  2. 蒸馏”决策链”而非”知识点”。每位专家都按”入口 → 收敛 → 决策 → 验收”四问拆成决策树（图 2 的三棵树就是模板）。
  3. 用 vibecoding 把方法论”长”成文件。把卡片 + 决策树丢给 Claude / Codex 这类 CLI，让它生成结构化的 .md 技能文件（每个 15-25 KB，是合理体量）。
  4. 加一张”路由表”。定义”遇到什么题 → 调哪位专家 + 优先级”，让 AI 自动选人，而不是你每次手动指定。
  5. 配进 Agent 工具跑真题验收。像他用 WorkBuddy 跑那道恐龙题一样，必须有一次真实演示——这是把”我做了个工具”变成”看，它真的会做题”的临门一脚。
  6. 补上别人没做的两块：效果实测（用前 vs 用后）+ 版权 / 合规说明。这是评论区暴露的集体盲区，也是你的差异化护城河。

迁移提醒：把”公考大佬”换成”你领域里的任何专家”，这套流程原封不动成立。考研名师、税法专家、甚至你团队里那个”只可意会”的老法师——只要他的本事能拆成决策树，就能装进 AI。

内容价值评估

亮点

  • 工具链完整且真实：从 README 设计 → Claude CLI 生成 → WorkBuddy 配置 → 真题演示，5 张图全是操作截图，可信度高，不是空谈。
  • “蒸馏决策链”的认知到位：抓住了”萃取思维链而非囤知识点”这个真正有迁移价值的内核。
  • 产物通用：技能包是跨工具的 .md + 路由表，比绑定单一软件的方案更有分发潜力。

局限

  • 没开源、没给方法细节：评论区集体跪求 GitHub 而未得，“知其然不知其所以然”，传播热但落地难。
  • 零效果验证：没有”用前 vs 用后”的提分 / 提速对比，“AI 会拆题”和”用了能上岸”之间还隔着鸿沟。
  • 版权与合规留白：把名师方法论结构化分发，涉及知识产权；用 AI 辅助应试，也有考纪边界——两点都没提。

一句话：这是一条**示范”动作”远大于交付”成品”**的内容。它最大的价值不是那套考公技能包，而是手把手演示了”如何把人类专家蒸馏进 AI”这件可迁移的事。

Sources