Jak zdigitalizować odchodzącego seniora i przekształcić go w umiejętność agenta AI

Wyobraź sobie znajomą sytuację. Główny inżynier backend przechodzi do innej firmy, zabierając ze sobą zrozumienie połowy starszych usług, nawyk odrzucania co drugiego pull requesta z powodu braku kontekstu oraz skłonność do pisania zwięzłych komentarzy takich jak „masz tutaj zapytanie N+1, przepisz je". Dokumentacja Confluence nie pomaga, ponieważ żywy inżynier podejmuje decyzje intuicyjnie, opierając się na dziesiątkach niepisanych reguł.

Programiści z Shanghai AI Lab postanowili zmierzyć się z tym problemem dosłownie. Napisali framework dot-skill (dawniej znany jako colleague-skill), który zbiera teksty, kod, komentarze i korespondencję służbową danej osoby, a następnie pakuje je w wielokrotnego użytku umiejętność AI zgodną ze standardem AgentSkills.

Po co destylować żywych ludzi

Idea projektu wyrosła z akademickiej pracy autorów na temat wydobywania wiedzy eksperckiej. Zazwyczaj, gdy chcemy, aby LLM odpowiadał w określony sposób, piszemy kilka akapitów system promptu. To słabo działa: model szybko wraca do standardowej uprzejmości i zapomina wąskie specjalistyczne ograniczenia techniczne.

dot-skill rozwiązuje problem inaczej. Narzędzie dzieli profil osoby na dwie niezależne warstwy:

1. Warstwa Persona obsługuje ton, bezpośredniość, modele mentalne i styl komunikacji.
2. Warstwa Umiejętności Zawodowej przechowuje standardy architektoniczne, typowe przepływy pracy, formaty odpowiedzi i specyficzne bazy wiedzy.

Wynikowy agent może nie tylko powtarzać żarty byłego team leadera, ale także recenzować specyfikacje API dokładnie według reguł, których ta osoba przestrzegała podczas przeglądu kodu.

Trzy scenariusze użycia

Początkowo repozytorium koncentrowało się tylko na współpracownikach, ale w ostatnich wersjach autorzy rozszerzyli silnik na trzy kategorie:

• Współpracownicy. Model trenowany jest na dokumentach wewnętrznych, pull requestach i czatach roboczych. Możesz wywołać go w całości (/colleague-name) lub uzyskać dostęp do jego części technicznej osobno, bez dziwactw osobowości (/colleague-name-work).
• Bliskie osoby (relacje). Tryb zachowania znajomego stylu komunikacji przyjaciół lub krewnych na podstawie historii wiadomości. Przechwytuje wyzwalacze, wzorce kłótni i metody godzenia się.
• Osoby publiczne (celebryci). Analizuje przemówienia, artykuły, commity i wywiady słynnych inżynierów lub myślicieli, próbując odtworzyć ich logikę podejmowania decyzji, a nie powierzchowną imitację stylu.

Oto interesujący przykład z repozytorium, gdzie autorzy stworzyli snapshot myślenia Andreja Karpathy'ego:

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.

Skąd brać dane i jak to działa

Jakość wynikowego agenta bezpośrednio zależy od materiału źródłowego. Jeśli nakarmisz narzędzie pustą paplaniną z pokoju socjalnego, wynik będzie bezużyteczny. Twórcy projektu mówią wprost: szczegółowe dokumenty projektowe, komentarze w kodzie i uzasadnione decyzje w trackerach działają najlepiej.

Pakiet obsługuje zbieranie informacji z wielu źródeł:

• Firmowe czaty (Slack przez API, Feishu, DingTalk)
• Eksporty wiadomości i zrzuty e-maili .eml / .mbox
• Lokalne pliki markdown, notatki i dokumenty PDF
• Napisy z prezentacji wideo

Dla osób publicznych w repozytorium wbudowana jest osobna pipeline:

# 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"

Obsługiwane środowiska wykonawcze i instalacja

Narzędzie nie jest powiązane z jedną platformą. Umiejętności są generowane jako manifesty markdown i działają w większości popularnych środowisk agentowych: Claude Code, OpenClaw, Codex, DeepSeek Harness i Hermes Agent.

Instalacja do środowiska agenta zajmuje jedną linijkę:

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

Po tym polecenie /dot-skill staje się dostępne w terminalu agenta. Interaktywny kreator zapyta o kategorię, imię postaci, kluczowe cechy osobowości i ścieżkę do danych źródłowych.

Jeśli bot zachowuje się nietypowo dla prototypu podczas rozmowy, możesz go poprawić od razu w dialogu, używając sformułowania w stylu „on by tak nie odpowiedział — on zwykle od razu prosi o error trace". Skrypt przechwytuje taką uwagę, zapisuje ją w warstwie korekty i natychmiast aktualizuje instrukcje. Dla bezpiecznego eksperymentowania dostępny jest menedżer wersji z możliwością cofnięcia do poprzednich snapshotów.

Czy warto spróbować

Projekt wygląda na udany eksperyment na przecięciu praktycznej automatyzacji i pamięci cyfrowej.

Przydatny będzie, jeśli:

• Chcesz zachować podejście techniczne i standardy team leadera przed reorganizacją zespołu.
• Potrzebujesz surowego recenzenta architektury, który myśli w kategoriach określonego dyrektora technicznego.
• Chcesz zbudować osobistego mentora z publicznych materiałów znanego inżyniera.

Dwie rzeczy warto wziąć pod uwagę: prywatność i jakość danych. Eksportowanie firmowych logów czatów do niezweryfikowanych modeli chmurowych to niebezpieczne posunięcie ze względów bezpieczeństwa. Ale jeśli wdrożysz lokalną pipeline i odfiltujesz sekrety, dot-skill może zamienić rozproszone teksty w naprawdę przydatnego asystenta pracy.