COLLEAGUE.SKILL: Generación Automatizada de Habilidades de IA mediante Destilación de Conocimiento Experto

Resumen

Se espera cada vez más que los agentes LLM no solo completen tareas aisladas, sino que también incorporen representaciones acotadas de la experiencia, el juicio y el estilo de interacción humanos. Construir dichos agentes fundamentados en la persona sigue siendo difícil porque el conocimiento accionable asociado a una persona o rol suele estar incrustado en trazas heterogéneas, en lugar de estar escrito como instrucciones claras. Los sistemas de memoria y persona existentes capturan fragmentos de esta evidencia, mientras que los marcos de habilidades proporcionan formatos de empaquetado portátiles; sin embargo, no existe un flujo de trabajo integral para destilar estas trazas en habilidades inspeccionables, corregibles y utilizables por el agente. Presentamos un sistema automatizado de destilación de trazas a habilidades para generar habilidades de IA fundamentadas en la persona mediante destilación de conocimiento experto. Dados los materiales de una persona o rol objetivo, COLLEAGUE.SKILL produce un paquete de habilidades versionado con dos vertientes coordinadas: una vertiente de capacidad para prácticas, modelos mentales y heurísticas de decisión, y una vertiente de comportamiento acotado para el estilo de comunicación, las reglas de interacción y el historial de correcciones. El paquete puede inspeccionarse, invocarse, actualizarse mediante retroalimentación en lenguaje natural, revertirse, instalarse en distintos hosts de agentes y, opcionalmente, prepararse para distribución controlada. Describimos el contrato del artefacto, el flujo de trabajo de generación, el ciclo de vida de corrección, la superficie de despliegue y los ajustes predefinidos de dominio implementados en el sistema de código abierto. Al momento de escribir este artículo, el repositorio público cuenta con aproximadamente 18.5 mil estrellas en GitHub; la galería enumera 215 habilidades de 165 colaboradores y más de 100 mil estrellas acumuladas en las tarjetas de habilidades listadas. El sistema ilustra cómo las habilidades fundamentadas en la persona pueden representarse como paquetes portátiles y corregibles, en lugar de indicaciones opacas o memorias ocultas.

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.