COLLEAGUE.SKILL: Автоматизированная генерация навыков ИИ посредством дистилляции экспертных знаний

Аннотация

Агенты на основе LLM всё чаще должны не просто выполнять изолированные задачи, но и нести в себе ограниченные представления о человеческом опыте, суждениях и стиле взаимодействия. Создание таких агентов, привязанных к личности, остаётся сложной задачей, поскольку применимые знания, связанные с конкретным человеком или ролью, обычно встроены в разнородные следы, а не записаны в виде чётких инструкций. Существующие системы памяти и персоны фиксируют фрагменты этих данных, а фреймворки навыков предлагают портативные форматы упаковки; однако отсутствует сквозной рабочий процесс для дистилляции этих следов в проверяемые, корректируемые и пригодные для использования агентами навыки. Мы представляем автоматизированную систему дистилляции следов в навыки для генерации навыков ИИ, привязанных к личности, посредством дистилляции экспертных знаний. На основе материалов от целевого человека или роли COLLEAGUE.SKILL создаёт версионированный пакет навыков с двумя скоординированными треками: треком возможностей для практик, ментальных моделей и эвристик принятия решений, а также треком ограниченного поведения для стиля общения, правил взаимодействия и истории исправлений. Пакет можно проверять, вызывать, обновлять с помощью обратной связи на естественном языке, откатывать, устанавливать на хосты агентов и при необходимости подготавливать к контролируемому распространению. Мы описываем контракт артефакта, рабочий процесс генерации, жизненный цикл исправлений, поверхность развёртывания и доменные предустановки, реализованные в системе с открытым исходным кодом. На момент написания статьи публичный репозиторий насчитывает около 18,5 тыс. звёзд на GitHub; в галерее перечислено 215 навыков от 165 авторов, а суммарное количество звёзд по всем представленным карточкам навыков превышает 100 тыс. Система демонстрирует, как навыки, привязанные к личности, могут быть представлены в виде портативных, корректируемых пакетов, а не непрозрачных промптов или скрытой памяти.

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.