COLLEAGUE.SKILL : Génération automatisée de compétences IA via distillation de connaissances d'experts

Résumé

Les agents LLM sont de plus en plus amenés non seulement à accomplir des tâches isolées, mais aussi à porter des représentations encadrées de l’expertise humaine, du jugement et du style d’interaction. Construire de tels agents ancrés dans une personne reste difficile car les connaissances actionnables associées à une personne ou à un rôle sont généralement intégrées dans des traces hétérogènes plutôt que rédigées sous forme d’instructions claires. Les systèmes de mémoire et de persona existants capturent des fragments de ces preuves, tandis que les cadres de compétences fournissent des formats d’empaquetage portables ; cependant, il n’existe pas de flux de travail de bout en bout pour distiller ces traces en compétences inspectables, corrigeables et utilisables par les agents. Nous présentons un système automatisé de distillation de traces en compétences pour générer des compétences IA ancrées dans une personne via une distillation de connaissances d’expert. À partir de matériaux issus d’une personne ou d’un rôle cible, COLLEAGUE.SKILL produit un paquet de compétences versionné avec deux volets coordonnés : un volet des capacités pour les pratiques, les modèles mentaux et les heuristiques de décision, et un volet des comportements encadrés pour le style de communication, les règles d’interaction et l’historique des corrections. Le paquet peut être inspecté, invoqué, mis à jour par un retour en langage naturel, annulé, installé sur différents hôtes d’agents, et éventuellement préparé pour une distribution contrôlée. Nous décrivons le contrat d’artefact, le flux de génération, le cycle de vie des corrections, la surface de déploiement et les préréglages de domaine implémentés dans le système open source. Au moment de la rédaction, le dépôt public compte environ 18,5k étoiles GitHub ; la galerie liste 215 compétences de 165 contributeurs et plus de 100k étoiles cumulées sur les fiches de compétences listées. Le système illustre comment les compétences ancrées dans une personne peuvent être représentées comme des paquets portables et corrigeables, plutôt que comme des prompts opaques ou des mémoires cachées.

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.