COLLEAGUE.SKILL: Automatisierte KI-Fähigkeitsgenerierung durch Expertenwissensdestillation

Zusammenfassung

LLM-Agenten werden zunehmend nicht nur mit der Erledigung isolierter Aufgaben betraut, sondern auch damit, begrenzte Repräsentationen menschlicher Expertise, Urteilsfähigkeit und Interaktionsstile zu tragen. Die Konstruktion solcher personenbezogener Agenten bleibt schwierig, da handlungsrelevantes Wissen, das mit einer Person oder Rolle verbunden ist, üblicherweise in heterogenen Spuren eingebettet und nicht als klare Anweisungen formuliert ist. Bestehende Gedächtnis- und Personasysteme erfassen Fragmente dieser Evidenz, während Skill-Frameworks portable Verpackungsformate bereitstellen; jedoch existiert kein durchgängiger Arbeitsablauf, um diese Spuren in überprüfbare, korrigierbare und von Agenten nutzbare Skills zu destillieren. Wir stellen ein automatisiertes System zur Destillation von Spuren in Skills vor, das durch Destillation von Expertenwissen personenbezogene KI-Skills generiert. Ausgehend von Materialien einer Zielperson oder -rolle erstellt COLLEAGUE.SKILL ein versionsverwaltetes Skill-Paket mit zwei koordinierten Strängen: einem Fähigkeitsstrang für Praktiken, mentale Modelle und Entscheidungsheuristiken sowie einem begrenzten Verhaltensstrang für Kommunikationsstil, Interaktionsregeln und Korrekturhistorie. Das Paket kann überprüft, aufgerufen, durch Rückmeldungen in natürlicher Sprache aktualisiert, zurückgesetzt, auf mehreren Agentenhosts installiert und optional für eine kontrollierte Verteilung vorbereitet werden. Wir beschreiben den Artefaktvertrag, den Generierungsarbeitsablauf, den Korrekturlebenszyklus, die Bereitstellungsoberfläche und die im Open-Source-System implementierten Bereichsvoreinstellungen. Zum Zeitpunkt der Erstellung dieses Textes hat das öffentliche Repository etwa 18.500 GitHub-Sterne; die Galerie listet 215 Skills von 165 Beitragenden und mehr als 100.000 kumulative Sterne über die aufgelisteten Skill-Karten hinweg. Das System veranschaulicht, wie personenbezogene Skills als portable, korrigierbare Pakete und nicht als undurchsichtige Prompts oder verborgene Erinnerungen repräsentiert werden können.

English

LLM agents are increasingly expected not only to complete isolated tasks, but also to carry bounded representations of human expertise, judgment, and interaction style. Building such person-grounded agents remains difficult because actionable knowledge associated with a person or role is usually embedded in heterogeneous traces rather than written as clean instructions. Existing memory and persona systems capture fragments of this evidence, while skill frameworks provide portable packaging formats; however, there is no end-to-end workflow for distilling these traces into inspectable, correctable, and agent-usable skills. We present an automated trace-to-skill distillation system for generating person-grounded AI skills via expert knowledge distillation. Given materials from a target person or role, COLLEAGUE.SKILL produces a versioned skill package with two coordinated tracks: a capability track for practices, mental models, and decision heuristics, and a bounded behavior track for communication style, interaction rules, and correction history. The package can be inspected, invoked, updated through natural-language feedback, rolled back, installed across agent hosts, and optionally prepared for controlled distribution. We describe the artifact contract, generation workflow, correction lifecycle, deployment surface, and domain presets implemented in the open-source system. At the time of writing, the public repository has approximately 18.5k GitHub stars; the gallery lists 215 skills from 165 contributors and more than 100k cumulative stars across listed skill cards. The system illustrates how person-grounded skills can be represented as portable, correctable packages rather than opaque prompts or hidden memories.