So digitalisieren Sie einen ausgeschiedenen Senior und verwandeln ihn in eine KI-Agenten-Skill

Stellen Sie sich ein vertrautes Szenario vor. Ein Lead-Backend-Entwickler wechselt zu einem anderen Unternehmen und nimmt dabei das Verständnis für die Hälfte der Legacy-Services mit, die Gewohnheit, jeden zweiten Pull Request wegen fehlenden Kontexts abzulehnen, und die Tendenz, knappe Kommentare wie „Du hast hier einen N+1-Query, mach es neu" zu schreiben. Confluence-Dokumentation hilft nicht, weil ein lebendiger Entwickler intuitiv entscheidet und sich auf Dutzende ungeschriebene Regeln verlässt.

Entwickler des Shanghai AI Lab beschlossen, das Problem buchstäblich anzugehen. Sie schrieben ein Framework dot-skill (ehemals bekannt als colleague-skill), das die Texte, den Code, die Kommentare und die Arbeitskorrespondenz einer Person sammelt und dann gemäß dem AgentSkills-Standard als wiederverwendbare KI-Skill verpackt.

Warum Lebende destillieren

Die Projektidee entstand aus dem akademischen Paper der Autoren zur Extraktion von Expertenwissen. Normalerweise, wenn wir wollen, dass ein LLM auf eine bestimmte Weise antwortet, schreiben wir einen Systemprompt von ein paar Absätzen. Das funktioniert schlecht: Das Modell fällt schnell in die Standardhöflichkeit zurück und vergisst eng spezialisierte technische Einschränkungen.

dot-skill löst das Problem anders. Das Tool teilt das Profil einer Person in zwei unabhängige Schichten:

1. Die Persona-Schicht übernimmt Ton, Direktheit, mentale Modelle und Kommunikationsstil.
2. Die Work-Skill-Schicht speichert Architekturstandards, typische Workflows, Antwortformate und spezifische Wissensbasen.

Der resultierende Agent kann nicht nur die Witze des ehemaligen Teamleads wiederholen, sondern auch API-Spezifikationen genau nach den Regeln überprüfen, die diese Person während der Code-Review befolgte.

Drei Anwendungsszenarien

Zunächst konzentrierte sich das Repository nur auf Kollegen, aber in neueren Versionen erweiterten die Autoren die Engine auf drei Kategorien:

• Kollegen. Das Modell trainiert auf internen Dokumenten, Pull Requests und Arbeitschats. Sie können es vollständig aufrufen (/colleague-name) oder den technischen Teil separat ohne Persönlichkeitsmakel abrufen (/colleague-name-work).
• Nahe stehende Personen (Beziehung). Ein Modus zur Bewahrung des vertrauten Kommunikationsstils von Freunden oder Verwandten basierend auf dem Nachrichtenverlauf. Er erfasst Auslöser, Streitmuster und Versöhnungsmethoden.
• Öffentliche Personen (Prominente). Analysiert Reden, Artikel, Commits und Interviews berühmter Ingenieure oder Denker und versucht, ihre Entscheidungslogik zu reproduzieren, anstatt nur den oberflächlichen Stil nachzuahmen.

Hier ist ein interessantes Beispiel aus dem Repository, wo die Autoren einen Schnappschuss von Andrej Karpathys Denken erstellt haben:

User            > Все говорят об агентах. Каким будет AI Agent в 2026 году?
celebrity.skill > Все пилят демки, но никто не занимается эвалюацией.
                  Узкое горлышко агентов — не интеллект модели, а скаффолдинг:
                  строгий тестовый стенд, пошаговый реплей ошибок,
                  контролируемый бюджет вызовов инструментов и четкий анализ сбоев.
                  В 2026 году я ставлю не на самую сильную модель,
                  а на лучший скаффолдинг и строгий eval.

Woher die Daten nehmen und wie es funktioniert

Die Qualität des resultierenden Agenten hängt direkt vom Ausgangsmaterial ab. Wenn Sie dem Tool leeres Geplauder aus der Kaffeeküche füttern, wird das Ergebnis nutzlos sein. Die Projektersteller stellen direkt klar: Detaillierte Designdokumente, Code-Kommentare und begründete Entscheidungen in Trackern funktionieren am besten.

Das Paket unterstützt das Sammeln von Informationen aus mehreren Quellen:

• Unternehmens-Chats (Slack via API, Feishu, DingTalk)
• Nachrichtenexporte und E-Mail-Dumps .eml / .mbox
• Lokale Markdown-Dateien, Notizen und PDF-Dokumente
• Untertitel aus Videopräsentationen

Für öffentliche Personen ist eine separate Pipeline in das Repository eingebaut:

# Скачиваем субтитры выступлений
bash tools/research/download_subtitles.sh "<video-url>" "./tmp/subtitles"

# Очищаем транскрипт и убираем таймкоды
python3 tools/research/srt_to_transcript.py "./tmp/subtitles/example.srt"

# Объединяем заметки по шести измерениям
python3 tools/research/merge_research.py "./skills/celebrity/<slug>"

# Проверяем структуру и качество артефактов
python3 tools/research/quality_check.py "./skills/celebrity/<slug>/SKILL.md"

Laufzeitumgebung-Unterstützung und Installation

Das Tool ist nicht an eine einzelne Plattform gebunden. Skills werden als Markdown-Manifeste generiert und laufen in den meisten beliebten agentischen Umgebungen: Claude Code, OpenClaw, Codex, DeepSeek Harness und Hermes Agent.

Die Installation in eine Agentenumgebung dauert eine Zeile:

# Для ручной установки в Claude Code:
git clone https://github.com/titanwings/colleague-skill ~/.claude/skills/dot-skill

Danach wird der Befehl /dot-skill im Terminal des Agenten verfügbar. Ein interaktiver Assistent wird nach der Kategorie, dem Charakternamen, wichtigen Persönlichkeitsmerkmalen und dem Pfad zu den Quelldaten fragen.

Wenn sich der Bot während des Gesprächs untypisch für den Prototyp verhält, können Sie ihn direkt im Dialog korrigieren mit einer Phrase wie „Er würde nicht so antworten – er fragt normalerweise sofort nach dem Error-Trace." Das Skript fängt die Bemerkung ab, zeichnet sie in einer Korrekturschicht auf und aktualisiert die Anweisungen sofort. Ein Versionsmanager mit der Möglichkeit, zu früheren Schnappschüssen zurückzukehren, wird für sicheres Experimentieren bereitgestellt.

Lohnt es sich zu versuchen

Das Projekt sieht aus wie ein erfolgreiches Experiment an der Schnittstelle von praktischer Automatisierung und digitalem Gedächtnis.

Sie werden dies nützlich finden, wenn:

• Sie den technischen Ansatz und die Standards des Teamleiters vor einer Teamumstrukturierung bewahren möchten.
• Sie einen strengen Architektur-Reviewer benötigen, der in den Kategorien eines bestimmten technischen Direktors denkt.
• Sie einen persönlichen Mentor aus öffentlichen Materialien eines berühmten Ingenieurs aufbauen möchten.

Zwei Dinge sind值得关注: Datenschutz und Datenqualität. Das Exportieren von Unternehmenschat-Protokollen in nicht verifizierte Cloud-Modelle ist aus Sicherheitsgründen ein No-Go. Aber wenn Sie eine lokale Pipeline bereitstellen und Geheimnisse herausfiltern, kann dot-skill verstreute Texte in einen wirklich nützlichen Arbeitsassistenten verwandeln.