如何将离职前辈数字化并转化为AI Agent技能

想象一个熟悉的场景。一位后端技术负责人离职去了另一家公司，带走了对半数遗留服务的理解、每两个PR就因为缺乏上下文而拒绝的习惯，以及只写简短注释的习惯，比如"这里有N+1查询，重写"。Confluence文档帮不上忙，因为活着的工程师做决策时靠的是直觉，依赖几十条不成文的规则。

上海AI Lab的开发者们决定从字面意义上解决这个问题。他们编写了一个框架 dot-skill（前身为 colleague-skill），可以收集一个人的文本、代码、注释和工作往来，然后按照AgentSkills标准将其打包成可复用的AI技能。

为什么要萃取"活人"的知识

这个项目的想法源于作者们一篇关于提取专家知识的学术论文。通常，当我们想让LLM以特定方式响应时，会写一个几段落的系统提示。这效果很差：模型很快就会回归标准的礼貌模式，忘记那些窄领域的技术约束。

dot-skill用不同的方式解决这个问题。该工具将一个人的档案分为两个独立的层次：

1. Persona层负责处理语气、直接程度、心智模型和沟通风格。
2. Work Skill层存储架构标准、典型工作流程、响应格式和特定知识库。

生成的Agent不仅能重复前技术负责人的玩笑，还能完全按照那个人的代码审查规则来审核API规范。

三种使用场景

最初，仓库只专注于同事角色，但最近的版本中作者将引擎扩展为三个类别：

• 同事。 模型基于内部文档、Pull Request和工作聊天进行训练。你可以完整调用它（/colleague-name），也可以单独访问其技术部分而不带人格怪癖（/colleague-name-work）。
• 亲近的人（关系）。 一种基于消息历史保留朋友或亲人熟悉沟通风格的方式。它能捕捉触发点、争论模式和和解方法。
• 公众人物（名人）。 分析著名工程师或思想家的演讲、文章、提交记录和采访，尝试复现他们的决策逻辑而非表面的风格模仿。

仓库中有一个有趣的例子，作者们制作了Andrej Karpathy思维的快照：

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.

数据来源及工作原理

最终Agent的质量直接取决于原材料。如果你给工具喂的是茶水间里的闲聊，结果将毫无用处。项目创建者明确表示：详细的设计文档、代码注释和工单中的合理决策效果最好。

该包支持从多个来源收集信息：

• 企业通讯工具（Slack API、飞书、钉钉）
• 消息导出和邮件dump .eml / .mbox
• 本地markdown文件、笔记和PDF文档
• 视频演讲的字幕

对于公众人物，仓库内置了独立的处理管道：

# 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"

运行时环境支持与安装

该工具不绑定单一平台。技能以markdown清单的形式生成，可在大多数流行的Agent运行时环境中运行：Claude Code、OpenClaw、Codex、DeepSeek Harness和Hermes Agent。

安装到Agent环境只需一行命令：

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

之后，Agent终端中会可用命令 /dot-skill。交互式向导会询问类别、角色名称、关键人格特征和源数据路径。

如果在对话过程中Bot表现得不像原型人物，你可以直接在对话中纠正，比如用"他不会那样回复——他通常会先要错误堆栈"这样的句子。脚本会拦截这条备注，记录到修正层中，并立即更新指令。系统还提供了版本管理器，支持回滚到之前的快照，以便安全地进行实验。

值得一试吗

这个项目看起来是实用自动化与数字记忆交汇处的一个成功实验。

以下情况你会觉得有用：

• 你想在团队重组前保留技术负责人的技术方法和标准。
• 你需要一位严格遵循特定技术总监思维方式的架构审查员。
• 你想基于著名工程师的公开资料构建一个个人导师。

有两点值得考虑：隐私和数据质量。出于安全原因，将企业聊天记录导出到未经核实的云模型是不可行的。但如果你部署本地管道并过滤掉敏感信息，dot-skill可以将零散的文本转化为真正有用的工作助手。