COLLEAGUE.SKILL: 通过专家知识蒸馏实现自动化AI技能生成

LLM 智能体（agent）正日益被期望不仅能完成孤立的任务，还能承载人类专业知识、判断力和交互风格的有界表征。构建此类基于人的智能体仍然困难，因为与特定人物或角色相关的可操作知识通常嵌入在异质痕迹（heterogeneous traces）中，而非以清晰的指令形式书写。现有的记忆与人格系统能捕获这些证据的片段，而技能框架则提供了可移植的封装格式；然而，目前尚缺乏一个端到端的工作流，能将此类痕迹提炼为可检查、可修正且可供智能体使用的技能。

我们提出了一种自动化的痕迹到技能（trace-to-skill）蒸馏系统，通过专家知识蒸馏来生成基于人的AI技能。给定目标人物或角色的材料，COLLEAGUE.SKILL 会生成一个带版本号的技能包，包含两条协同的轨道：一条是能力轨道（capability track），涵盖实践、心智模型和决策启发式；另一条是有界行为轨道（bounded behavior track），涵盖沟通风格、交互规则和修正历史。该技能包可被检查、调用、通过自然语言反馈进行更新、回滚、跨智能体主机安装，并可选择性地为受控分发做准备。

我们描述了该开源系统中实现的工件契约、生成工作流、修正生命周期、部署面以及领域预设。截至撰写本文时，该公共仓库拥有约 18.5k 个 GitHub 星标；技能画廊列出了来自 165 位贡献者的 215 个技能，且所有列出的技能卡累计星标超过 10 万。该系统展示了如何将基于人的技能表示为可移植、可修正的包，而非不透明的提示词或隐藏的记忆。