医生、木匠的儿子、大学老师——他们没做"又一个 AI 助手"，而是把快消失的手艺留下来。
Anthropic 和 Cerebral Valley 联合办了一场黑客松，规则简单：用 Opus 4.7 + Claude Code，一周时间做出点东西。
最终获奖名单公布后，我注意到两个细节：
第一，六个项目里没有一个聊天机器人。
第二，创作者不是硅谷创业者，而是一个土耳其医生、一个法国维修工、一个智利大学老师、一个丹麦程序员、一个木匠的儿子、一个法国工程师。
他们做出来的东西，指向了同一个方向：把锁在少数人脑子里的专业知识，变成更多人能用的工具。
让医学生在"假病人"身上试错
土耳其医生 Bedirhan Keskin 做 MedKit 的动机很直接：医学院毕业后刚上临床那阵，他发现自己和同学面对真实病人时都挺手忙脚乱。
原因也简单——教科书上的病例是标准答案，但真实的病人不按教科书来。
MedKit 的思路是生成一批"AI 病人"，让医学生在他们身上练习问诊、开检查、看影像、做诊断。每次结束后系统根据临床指南打分，扣分点附带文献出处。
比如系统会生成一个"春天咳嗽加重、夜里喘"的病人，看医学生会不会追问过敏史；或者生成一个"血压 188/120、停了一周降压药"的病人，看能不能识别出高血压危象。
技术上，Bedirhan 用了一个"主治医师"Agent 带着三个子 Agent：病人角色扮演、观察者评估、问诊复盘。病例库也是 Agent 自动生成的，每条都能追溯到真实临床指南。
他说了一句话："在 AI 身上犯所有的错，然后再去面对真正的病人。"
电路板维修的"知识翻译器"
全球每年约 5000 万吨电子产品变垃圾，其中不少其实能修，只是板级维修的门槛太高。
法国的 Alexis Chapellier 一直在为维修行业做工具。他的 Wrench Board 做的事是：把一块主板的原理图变成 AI 能理解的"知识"。
导入主板照片和原理图 PDF（有时 80 多页密密麻麻的电路图），AI 分批读取后编译成知识图谱——元件按功能分类，故障症状映射到可能原因，每条诊断规则有可验证来源。
最实用的一点是：你可以问它"这个故障该量哪里、测什么值"，它会直接在主板照片上标出诊断路径。
Alexis 在安全机制上也做了考虑：Agent 说出的每个元件编号必须来自工具查询，服务端会过滤掉没有来源的编号，防止 AI 凭空编造。
他的目标是：让一个拿着万用表的普通技术员，能做到以前只有 OEM 售后中心才能做的事。
写代码前先"想清楚"
智利发展大学的 Paula Vasquez-Henriquez 教了六年编程入门，带过 200 多个学生。她发现一个反复出现的问题：学生能交作业、能及格，但没学到最重要的东西——想清楚自己要做什么。
Maieutic 的做法是：在写代码之前加一道"想清楚"的门槛。
学生得先用自己的话描述"这个程序应该干什么"，AI 会追问没说清楚的地方。只有当需求描述足够清晰，编辑器才解锁。
编辑器打开后，自动补全是关的。学生可以问语法，但问"我该怎么做"时 AI 会引导思考，不会直接给答案。
提交后还有一个环节：AI 把学生最初写的 spec 和实际代码对齐，让学生自己解释中间的差距——你说要做 A，实际做了 B，gap 在哪？
对老师来说，Maieutic 提供了一个实时面板，能看到每个学生此刻卡在哪里、怎么推理、哪些错误反复出现。
Paula 说，好老师需要好几年才能积累出对学生思维误区的直觉，Maieutic 第一次布置作业就能给你这个。
用手势控制木偶
丹麦的 Rene Hangstrup Moller 做的 Virtual Puppet Theater，画风和其他五个项目完全不同。
对着摄像头比划手势，屏幕上的木偶就跟着动。说话，木偶也说话。说"给 Bob 戴个王冠"，王冠就出现了。
技术栈并不复杂：MediaPipe 做手部追踪，浏览器原生 Web Speech API 做语音识别，11 Labs Flash 做语音合成。引擎底下跑两个模型——日常对话用 Haiku 保证速度，道具生成用 Opus 保证质量。
有意思的是，有些道具是预设的 Three.js 模型，但像"冰淇淋帽子"这种奇葩要求，是 Opus 实时用基础图形拼出来的——你第一次说的时候它才去生成。
把父亲的手艺数字化
智利木匠 Juan Rodrigo Torralbo 做了三十年木工，其中八年参与修复奇洛埃岛上的世界遗产木教堂。
但在智利的体制里，没有大学文凭的手艺人，在系统里是"隐形人"。
他的儿子 Benjamin Torralbo 做 MaestrIA，就是想把这个问题解决掉。
用法很简单：拍一张受损墙面的照片，输入位置。AI 先观察再诊断，像老师傅到现场一样。分析完后给出四个信息：修什么、当地大概花多少钱、需要多长时间、不修会怎样。
然后系统推荐附近的手艺人，选中后第三个 Agent 自动帮你用智利本地西班牙语写一条 WhatsApp 消息，附上完整诊断报告。
这样客户手上拿着一份诊断去找工人，不会被乱开价；有手艺但不会推销的工人也能接到活。
Benjamin 拿 MaestrIA 给他爸做了测试：12 张照片，12 个诊断，与老师傅三十年经验的吻合率是 81%。
"什么都知道的人"不会因退休消失
工业维护领域有个老问题：每个厂里总有那么一个人，能听出机器声音哪里不对，能在故障前两天就感觉到问题。然后他退休了，这些知识就没了。
法国的 Idriss Benguezzou 和 Adam Hnaien 做的 ARIA，用五个 Agent 模拟一支维修团队。
把设备手册丢给系统，AI 读完、问三个问题就上线了。
一个实际场景是：瓶盖机报了振动异常警报，但 ARIA 没有立刻发工单。它查了上下文，发现振动值其实在下降，判断这不是异常。
如果真出故障，处理链路是：检测 Agent 发现异常 → 调查 Agent 启动 extended thinking → 写 Python 代码在云端沙箱跑回归分析，算出退化速率 → 生成包含根因分析和修复建议的详细工单。
而且它有记忆。灌装机又出类似振动异常，ARIA 翻出三个月前的 case，找到当时的修复方案和零件编号，直接告诉操作员："上次就是换了这个零件好的。"
5 个 Agent 共享 17 个工具，通过 MCP 协作。日志、班次笔记、信号趋势、KPI、历史故障，全部汇入每台设备背后的知识库。
那个"什么都知道的人"，再也不会因为退休而消失了。
手艺的数字化
这六个项目来自五国，覆盖医疗、维修、教育、工业、创意五个领域。
把它们串在一起的，不是技术，不是 Agent 架构。
而是它们都在做同一件事：把人类文明中那些"只存在于某一个人手感里、直觉里、几十年累积判断力里"的知识，用 AI 保留下来。
老师傅退休了，手艺传不下去。临床直觉随一代人老去而失传。没有人宣布它的死亡，也很少有人意识到自己失去了什么。
这六个项目的创作者，不是硅谷连续创业者。
也许 AI 能给世界留下的最持久的东西，就是让那些原本会被忽略的知识，留下来。
