Hoe je een vertrokken senior digitaliseert en omzet in een AI-agentvaardigheid

Stel je een bekende situatie voor. Een lead backend-engineer vertrekt naar een ander bedrijf, en neemt daarbij het begrip van de helft van de legacy services mee, de gewoonte om elke andere pull request af te wijzen vanwege gebrek aan context, en de neiging om beknopte opmerkingen te schrijven zoals "je hebt hier een N+1-query, maak het opnieuw." Confluence-documentatie helpt niet omdat een levende engineer intuïtief beslissingen neemt, afhankelijk van tientallen ongeschreven regels.

Ontwikkelaars van Shanghai AI Lab besloten het probleem letterlijk aan te pakken. Ze schreven een framework dot-skill (voorheen bekend als colleague-skill) dat de teksten, code, opmerkingen en werkcorrespondentie van een persoon verzamelt en deze vervolgens inpakt als een herbruikbare AI-vaardigheid volgens de AgentSkills-standaard.

Waarom Levende Mensen Distilleren

Het projectidee groeide uit een academisch paper van de auteurs over het extraheren van expertkennis. Meestal, wanneer we willen dat een LLM op een specifieke manier reageert, schrijven we een systeemprompt van een paar alinea's. Dit werkt slecht: het model valt snel terug in standaard beleefdheid en vergeet smalle-specialisatie technische beperkingen.

dot-skill lost het probleem anders op. Het hulpmiddel splitst het profiel van een persoon in twee onafhankelijke lagen:

1. De Persona-laag behandelt toon, directheid, mentale modellen en communicatiestijl.
2. De Werkvaardigheid-laag slaat architectuurnormen, typische workflows, antwoordformaten en specifieke kennisbanken op.

De resulterende agent kan niet alleen de grappen van de voormalige teamleider herhalen, maar ook API-specificaties reviewen precies volgens de regels die die persoon volgde tijdens codereview.

Drie Gebruiksscenario's

Aanvankelijk richtte de repository zich alleen op collega's, maar in recente versies breidden de auteurs de engine uit naar drie categorieën:

• Collega's. Het model traint op interne documenten, pull requests en werkchats. Je kunt het volledig aanroepen (/colleague-name) of het technische deel apart benaderen zonder persoonlijkheids quirks (/colleague-name-work).
• Dierbaren (relatie). Een modus voor het behouden van de vertrouwde communicatiestijl van vrienden of familieleden op basis van berichtgeschiedenis. Het vangt triggers, ruziepatronen en verzoeningsmethoden op.
• Bekende personen (celebrity). Analyseert toespraken, artikelen, commits en interviews van beroemde engineers of denkers, met de poging hun besluitvormingslogica te reproduceren in plaats van oppervlakkige stijlimitatie.

Hier is een interessant voorbeeld uit de repository, waar de auteurs een momentopname maakten van Andrej Karpathy's denken:

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.

Waar Data Vandaan Halen en Hoe Het Werkt

De kwaliteit van de resulterende agent hangt direct af van het bronmateriaal. Als je het hulpprogramma leeg gebabbel uit de pauzeruimte voedt, zal het resultaal nutteloos zijn. De projectmakers stellen het rechtstreeks: gedetailleerde ontwerpdocumenten, code-opmerkingen en onderbouwde beslissingen in trackers werken het beste.

Het pakket ondersteunt het verzamelen van informatie uit meerdere bronnen:

• Zakelijke chats (Slack via API, Feishu, DingTalk)
• Berichtexports en e-maildumps .eml / .mbox
• Lokale markdown-bestanden, notities en PDF-documenten
• Ondertitels van videopresentaties

Voor bekende personen is er een aparte pipeline ingebouwd in de repository:

# 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"

Ondersteuning Runtime-omgeving en Installatie

Het hulpmiddel is niet gebonden aan een enkel platform. Vaardigheden worden gegenereerd als markdown-manifesten en draaien in de meest populaire agentische omgevingen: Claude Code, OpenClaw, Codex, DeepSeek Harness en Hermes Agent.

Installeren in een agent-omgeving kost één regel:

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

Daarna is de opdracht /dot-skill beschikbaar in de terminal van de agent. Een interactieve wizard vraagt om de categorie, de naam van het karakter, belangrijke persoonlijkheidskenmerken en het pad naar de brongegevens.

Als de bot zich tijdens het gesprek onkarakteristiek gedraagt voor het prototype, kun je dit rechtstreeks in de dialoog corrigeren met een zin als "hij zou niet zo reageren — hij vraagt meestal meteen om de error trace." Het script onderschept de opmerking, registreert deze in een correctielaag en werkt de instructies onmiddellijk bij. Er wordt een versiebeheerder met de mogelijkheid om terug te rollen naar eerdere momentopnames meegeleverd voor veilig experimenteren.

Is Het de Moeite Waard om Te Proberen

Het project lijkt op een geslaagd experiment op het snijvlak van praktische automatisering en digitaal geheugen.

Je zult dit nuttig vinden als:

• Je de technische aanpak en normen van de teamleider wilt behouden vóór een teamherorganisatie.
• Je een strenge architectuurreviewer nodig hebt die denkt in de categorieën van een specifieke technisch directeur.
• Je een persoonlijke mentor wilt bouwen uit openbare materialen van een beroemde engineer.

Twee dingen zijn de moeite waard om te overwegen: privacy en datakwaliteit. Zakelijke chatlogs exporteren naar niet-geverifieerde cloudmodellen is een no-go om veiligheidsredenen. Maar als je een lokale pipeline inzet en geheimen uitfiltert, kan dot-skill verspreide teksten omzetten in een echt nuttige werkassistent.