COLLEAGUE.SKILL: Geautomatiseerde generatie van AI-vaardigheden via distillatie van expertkennis

Samenvatting

Van LLM-agenten wordt steeds vaker verwacht dat ze niet alleen geïsoleerde taken uitvoeren, maar ook begrensde representaties van menselijke expertise, oordeelsvorming en interactiestijl bevatten. Het bouwen van dergelijke persoonsgebonden agenten blijft moeilijk omdat bruikbare kennis die bij een persoon of rol hoort, meestal is ingebed in heterogene sporen in plaats van geschreven als duidelijke instructies. Bestaande geheugen- en personasystemen vangen fragmenten van dit bewijs op, terwijl vaardigheidskaders draagbare verpakkingsformaten bieden; er is echter geen end-to-end-werkstroom om deze sporen te destilleren tot inspecteerbare, corrigeerbare en door agenten bruikbare vaardigheden. We presenteren een geautomatiseerd spoor-naar-vaardigheid-destillatiesysteem voor het genereren van persoonsgebonden AI-vaardigheden via expertkennisdestillatie. Gegeven materialen van een doeldpersoon of -rol produceert COLLEAGUE.SKILL een versiebeheerd vaardigheidspakket met twee gecoördineerde sporen: een capaciteitsspoor voor praktijken, mentale modellen en beslissingsheuristieken, en een begrensd gedragsspoor voor communicatiestijl, interactieregels en correctiegeschiedenis. Het pakket kan worden geïnspecteerd, aangeroepen, bijgewerkt via natuurlijke-taal feedback, teruggedraaid, geïnstalleerd op verschillende agenthosts, en optioneel voorbereid voor gecontroleerde distributie. We beschrijven het artefactcontract, de generatiewerkstroom, de correctielevenscyclus, het implementatieoppervlak en de domeinvoorinstellingen die in het opensourcesysteem zijn geïmplementeerd. Op het moment van schrijven heeft de openbare repository ongeveer 18,5k GitHub-sterren; de galerij vermeldt 215 vaardigheden van 165 bijdragers en meer dan 100k cumulatieve sterren voor de vermelde vaardigheidskaarten. Het systeem illustreert hoe persoonsgebonden vaardigheden kunnen worden weergegeven als draagbare, corrigeerbare pakketten in plaats van ondoorzichtige prompts of verborgen herinneringen.

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.