导师AI分身一键蒸馏生成

基于LLM与学术数据源为导师构建AI数字分身，支持研究风格学习与个性化对话模拟，MIT开源个人项目。

基本信息

• 技能名称?supervisor
• 中文名称?导师AI分身一键蒸馏生成
• 作者?ybq22
• 分类?专业技能
• 版本?latest
• 标签?education-research, ai-ml, content-media, automation, productivity

使用方法

使用说明
核心用法
distill-mentor 是一款面向学术场景的导师数字分身构建工具。用户只需输入导师姓名与所属机构，系统即可自动执行多源信息采集：通过 DuckDuckGo/Google 搜索公开网页资料，从 ArXiv、Semantic Scholar 抓取学术论文，并可选调用 Claude/OpenAI API 进行深度语义分析。最终生成结构化的 mentor profile 与可直接导入 Claude Code 的 skill 文件，实现"与导师风格对话"的AI体验。
显著优点
学术场景精准定位 ：专为导师-学生学术指导场景设计，数据采集聚焦于公开学术成果（论文、主页、项目），而非泛泛的网络信息。 零配置快速启动 ：基础搜索功能无需API密钥即可运行，降低尝鲜门槛；深度分析模块通过环境变量灵活配置。 透明可审计 ：MIT开源协议，全部代码逻辑可见，无黑箱操作。生成文件本地存储于 ~/.claude/skills/ ，用户完全掌控数据主权。 多源数据融合 ：整合搜索引擎、学术数据库、LLM语义分析三重能力，profile构建维度丰富。
潜在缺点与局限性
来源可信度制约 ：T3级个人开源项目，长期维护稳定性存疑，无机构背书可能限制在正式学术场景的传播。 网络依赖严苛 ：核心功能依赖外部API（Anthropic/OpenAI/Semantic Scholar）与Puppeteer网页抓取，离线环境或网络受限场景完全不可用。 隐私边界模糊 ：虽然仅采集公开信息，但"风格学习"可能涉及对导师沟通模式的推断，需获得导师知情同意方可用于教学场景。 生成质量波动 ：LLM分析结果受提示工程与模型能力制约，复杂研究脉络的抽象可能失真。
适合目标群体
研究生新生：快速熟悉导师研究方向与指导风格
学术管理者：批量构建院系导师知识库
教育工作者：创建个人教学分身供学生课后咨询
科研人员：模拟同行评审对话进行论文预演
使用风险
API成本累积 ：深度分析模式调用商业LLM API，高频使用可能产生意外账单。 数据留存合规 ：生成文件默认本地存储，若涉及欧盟GDPR或中国个人信息保护法场景，需评估"公开信息再加工"的合规性。 Puppeteer稳定性 ：网页抓取依赖目标网站结构，反爬虫机制或页面改版会导致功能失效。 模型幻觉传导 ：LLM对导师风格的"学习"可能混入模型先验偏见，输出的"导师观点"需用户批判性甄别。