COLLEAGUE.SKILL: Geração Automatizada de Habilidades de IA por meio de Destilação de Conhecimento Especializado

Resumo

Agentes LLM são cada vez mais esperados não apenas para completar tarefas isoladas, mas também para carregar representações delimitadas da expertise, julgamento e estilo de interação humanos. Construir tais agentes fundamentados em pessoas continua difícil porque o conhecimento acionável associado a uma pessoa ou função geralmente está embutido em rastros heterogêneos, em vez de escrito como instruções claras. Sistemas existentes de memória e persona capturam fragmentos dessa evidência, enquanto estruturas de habilidades fornecem formatos de empacotamento portáteis; no entanto, não existe um fluxo de trabalho de ponta a ponta para destilar esses rastros em habilidades inspecionáveis, corrigíveis e utilizáveis por agentes. Apresentamos um sistema automatizado de destilação de rastros para habilidades, que gera habilidades de IA fundamentadas em pessoas por meio da destilação de conhecimento especializado. Dados materiais de uma pessoa ou função alvo, o COLLEAGUE.SKILL produz um pacote de habilidades versionado com duas trilhas coordenadas: uma trilha de capacidade para práticas, modelos mentais e heurísticas de decisão, e uma trilha de comportamento delimitado para estilo de comunicação, regras de interação e histórico de correções. O pacote pode ser inspecionado, invocado, atualizado por meio de feedback em linguagem natural, revertido, instalado em diferentes hospedeiros de agentes e, opcionalmente, preparado para distribuição controlada. Descrevemos o contrato do artefato, o fluxo de trabalho de geração, o ciclo de vida de correção, a superfície de implantação e as predefinições de domínio implementados no sistema de código aberto. No momento da redação, o repositório público possui aproximadamente 18,5 mil estrelas no GitHub; a galeria lista 215 habilidades de 165 contribuidores e mais de 100 mil estrelas acumuladas nos cartões de habilidades listados. O sistema ilustra como habilidades fundamentadas em pessoas podem ser representadas como pacotes portáteis e corrigíveis, em vez de prompts opacos ou memórias 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.