COLLEAGUE.SKILL: 전문가 지식 증류를 통한 자동화된 AI 스킬 생성

초록

LLM 에이전트는 점점 더 단순히 개별 작업을 완료하는 것뿐만 아니라 인간의 전문성, 판단력 및 상호작용 스타일에 대한 경계 있는 표현을 전달하는 것으로 기대된다. 이러한 사람 기반 에이전트를 구축하는 것은 여전히 어려운데, 그 이유는 사람이나 역할과 관련된 실행 가능한 지식이 일반적으로 명확한 지침으로 작성되기보다는 이질적인 흔적들에 내재되어 있기 때문이다. 기존의 메모리 및 페르소나 시스템은 이러한 증거의 단편들을 포착하는 반면, 스킬 프레임워크는 이식 가능한 패키징 형식을 제공한다. 하지만 이러한 흔적들을 검사 가능하고, 수정 가능하며, 에이전트가 사용할 수 있는 스킬로 증류하는 종단 간 워크플로는 존재하지 않는다. 우리는 전문가 지식 증류를 통해 사람 기반 AI 스킬을 생성하는 자동화된 흔적-스킬 증류 시스템을 제시한다. 대상 인물이나 역할로부터 자료가 주어지면, COLLEAGUE.SKILL은 두 개의 조정된 트랙, 즉 실행, 정신 모델, 의사 결정 휴리스틱을 위한 역량 트랙과 의사소통 스타일, 상호작용 규칙, 수정 기록을 위한 경계 행동 트랙을 갖춘 버전 관리된 스킬 패키지를 생성한다. 이 패키지는 검사, 호출, 자연어 피드백을 통한 업데이트, 롤백, 에이전트 호스트 간 설치가 가능하며, 선택적으로 통제된 배포를 위해 준비될 수 있다. 우리는 오픈소스 시스템에 구현된 아티팩트 계약, 생성 워크플로, 수정 라이프사이클, 배포 표면 및 도메인 프리셋을 설명한다. 글을 쓰는 시점에서 공개 리포지토리는 약 18.5k개의 GitHub 스타를 보유하고 있으며, 갤러리에는 165명의 기여자로부터 215개의 스킬이 등재되어 있고, 등재된 스킬 카드 전체에 걸쳐 누적 스타 수가 10만 개 이상이다. 이 시스템은 사람 기반 스킬이 불투명한 프롬프트나 숨겨진 기억이 아닌 이식 가능하고 수정 가능한 패키지로 표현될 수 있는 방법을 보여준다.

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.