Comment numériser un ancien senior et en faire une compétence d'agent IA

Imaginez une scène familière. Un ingénieur backend lead quitte l'entreprise pour une autre, emportant avec lui la compréhension de la moitié des services legacy, l'habitude de rejeter une pull request sur deux par manque de contexte, et la tendance à écrire des commentaires laconiques comme « tu as une requête N+1 ici, refais-la ». La documentation Confluence n'aide pas car un ingénieur vivant prend des décisions de manière intuitive, en s'appuyant sur des dizaines de règles non écrites.

Les développeurs du Shanghai AI Lab ont décidé de s'attaquer au problème littéralement. Ils ont écrit un framework dot-skill (anciennement connu sous le nom de colleague-skill) qui collecte les textes, le code, les commentaires et la correspondance professionnelle d'une personne, puis les emballe sous forme de compétence IA réutilisable suivant le standard AgentSkills.

Pourquoi distiller des personnes vivantes

L'idée du projet est née d'un article académique des auteurs sur l'extraction de connaissances expertes. D'habitude, quand on veut qu'un LLM réponde d'une manière spécifique, on écrit un prompt système de quelques paragraphes. Cela fonctionne mal : le modèle retombe rapidement dans la politesse standard et oublie les contraintes techniques de spécialisation étroite.

dot-skill résout le problème différemment. L'outil divise le profil d'une personne en deux couches indépendantes :

1. La couche Persona gère le ton, la directivité, les modèles mentaux et le style de communication.
2. La couche Work Skill stocke les standards d'architecture, les workflows typiques, les formats de réponse et les bases de connaissances spécifiques.

L'agent résultant peut non seulement répéter les blagues de l'ancien lead technique, mais aussi examiner les spécifications d'API exactement selon les règles que cette personne suivait lors des revues de code.

Trois scénarios d'utilisation

Initialement, le dépôt ne se concentrait que sur les collègues, mais dans les versions récentes, les auteurs ont étendu le moteur à trois catégories :

• Collègues. Le modèle s'entraîne sur les documents internes, les pull requests et les discussions de travail. Vous pouvez l'invoquer entièrement (/colleague-name) ou accéder à sa partie technique séparément sans les particularités de personnalité (/colleague-name-work).
• Proches (relation). Un mode de préservation du style de communication familier d'amis ou de proches basé sur l'historique des messages. Il capture les déclencheurs, les schémas de dispute et les méthodes de réconciliation.
• Personnalités publiques (célébrité). Analyse les discours, articles, commits et interviews d'ingénieurs ou penseurs célèbres, tentant de reproduire leur logique de décision plutôt qu'une imitation superficielle du style.

Voici un exemple intéressant du dépôt, où les auteurs ont créé un instantané de la pensée d'Andrej Karpathy :

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.

Où obtenir les données et comment ça fonctionne

La qualité de l'agent résultant dépend directement du matériau source. Si vous nourrissez l'utilitaire avec des bavardages vides de la salle de pause, le résultat sera inutile. Les créateurs du projet le déclarent directement : les documents de conception détaillés, les commentaires de code et les décisions argumentées dans les trackers fonctionnent le mieux.

Le package prend en charge la collecte d'informations depuis plusieurs sources :

• Discussions d'entreprise (Slack via API, Feishu, DingTalk)
• Exports de messages et dumps d'e-mails .eml / .mbox
• Fichiers markdown locaux, notes et documents PDF
• Sous-titres de présentations vidéo

Pour les personnalités publiques, un pipeline séparé est intégré au dépôt :

# 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"

Support de l'environnement d'exécution et installation

L'outil n'est pas lié à une seule plateforme. Les compétences sont générées sous forme de manifests markdown et s'exécutent dans les environnements agentiques les plus populaires : Claude Code, OpenClaw, Codex, DeepSeek Harness et Hermes Agent.

L'installation dans un environnement agentique prend une seule ligne :

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

Après cela, la commande /dot-skill devient disponible dans le terminal de l'agent. Un assistant interactif demandera la catégorie, le nom du personnage, les traits de personnalité clés et le chemin vers les données sources.

Si le bot se comporte de manière inhabituelle pour le prototype pendant la conversation, vous pouvez le corriger directement dans le dialogue avec une phrase comme « il ne répondrait pas comme ça — d'habitude il demande immédiatement la trace d'erreur ». Le script intercepte la remarque, l'enregistre dans une couche de correction et met à jour instantanément les instructions. Un gestionnaire de versions avec la possibilité de revenir aux instantanés précédents est fourni pour une expérimentation sécurisée.

Cela vaut-il la peine d'essayer

Le projet ressemble à une expérience réussie à l'intersection de l'automatisation pratique et de la mémoire numérique.

Vous trouverez ceci utile si :

• Vous voulez préserver l'approche technique et les standards du lead technique avant une réorganisation d'équipe.
• Vous avez besoin d'un réviseur d'architecture strict qui pense dans les catégories d'un directeur technique spécifique.
• Vous voulez construire un mentor personnel à partir de matériaux publics d'un ingénieur célèbre.

Deux choses méritent d'être considérées : la vie privée et la qualité des données. Exporter les logs de discussion d'entreprise vers des modèles cloud non vérifiés est un non-start pour des raisons de sécurité. Mais si vous déployez un pipeline local et filtrez les secrets, dot-skill peut transformer des textes dispersés en un assistant de travail véritablement utile.