Cómo digitalizar a un senior que se fue y convertirlo en una skill de agente de IA

Imagina una escena familiar. Un ingeniero backend lead se va a otra empresa, llevándose consigo el conocimiento de la mitad de los servicios legacy, el hábito de rechazar cada dos pull requests por falta de contexto, y la tendencia a escribir comentarios concisos como "tienes un query N+1 aquí, rehazlo." La documentación en Confluence no ayuda porque un ingeniero vivo toma decisiones de forma intuitiva, basándose en docenas de reglas no escritas.

Los desarrolladores de Shanghai AI Lab decidieron abordar el problema literalmente. Escribieron un framework dot-skill (anteriormente conocido como colleague-skill) que recopila los textos, código, comentarios y correspondencia laboral de una persona, y luego los empaqueta en una skill de IA reutilizable siguiendo el estándar AgentSkills.

¿Por qué destilar personas vivas?

La idea del proyecto surgió de un artículo académico de los autores sobre la extracción de conocimiento experto. Por lo general, cuando queremos que un LLM responda de una manera específica, escribimos un prompt del sistema de unos pocos párrafos. Esto funciona mal: el modelo rápidamente vuelve a la cortesía estándar y olvida las restricciones técnicas de especialización estrecha.

dot-skill resuelve el problema de manera diferente. La herramienta divide el perfil de una persona en dos capas independientes:

1. La capa de Persona maneja el tono, la franqueza, los modelos mentales y el estilo de comunicación.
2. La capa de Habilidad de Trabajo almacena estándares de arquitectura, flujos de trabajo típicos, formatos de respuesta y bases de conocimiento específicas.

El agente resultante no solo puede repetir los chistes del ex líder de equipo, sino también revisar especificaciones de API exactamente según las reglas que esa persona seguía durante la revisión de código.

Tres escenarios de uso

Inicialmente, el repositorio se centraba solo en colegas, pero en versiones recientes los autores expandieron el motor a tres categorías:

• Colegas. El modelo se entrena con documentos internos, pull requests y chats de trabajo. Puedes invocarlo completamente (/colleague-name) o acceder a su parte técnica por separado sin las peculiaridades de personalidad (/colleague-name-work).
• Personas cercanas (relación). Un modo para preservar el estilo de comunicación familiar de amigos o familiares basado en el historial de mensajes. Captura detonantes, patrones de disputa y métodos de reconciliación.
• Figuras públicas (celebridad). Analiza discursos, artículos, commits e entrevistas de ingenieros o pensadores famosos, intentando reproducir su lógica de toma de decisiones en lugar de una imitación superficial del estilo.

Aquí hay un ejemplo interesante del repositorio, donde los autores hicieron una instantánea del pensamiento de 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.

De dónde obtener los datos y cómo funciona

La calidad del agente resultante depende directamente del material de origen. Si alimentas la utilidad con conversaciones vacías de la sala de descanso, el resultado será inútil. Los creadores del proyecto lo stating directamente: los documentos de diseño detallados, los comentarios en el código y las decisiones razonadas en los trackers funcionan mejor.

El paquete soporta la recopilación de información de múltiples fuentes:

• Chats corporativos (Slack vía API, Feishu, DingTalk)
• Exportaciones de mensajes y dumps de correo electrónico .eml / .mbox
• Archivos markdown locales, notas y documentos PDF
• Subtítulos de presentaciones en video

Para figuras públicas, se ha construido un pipeline separado dentro del repositorio:

# 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"

Soporte de entorno de ejecución e instalación

La herramienta no está atada a una sola plataforma. Las skills se generan como manifiestos markdown y se ejecutan en los entornos de agentes más populares: Claude Code, OpenClaw, Codex, DeepSeek Harness y Hermes Agent.

La instalación en un entorno de agente toma una línea:

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

Después de eso, el comando /dot-skill se vuelve disponible en la terminal del agente. Un asistente interactivo preguntará por la categoría, el nombre del personaje, los rasgos de personalidad clave y la ruta a los datos de origen.

Si el bot se comporta de manera atypica para el prototipo durante la conversación, puedes corregirlo directamente en el diálogo con una frase como "él no respondería así—normalmente pide el trace del error inmediatamente." El script intercepta el comentario, lo registra en una capa de corrección y actualiza instantáneamente las instrucciones. Se proporciona un gestor de versiones con la capacidad de revertir a instantáneas anteriores para experimentación segura.

¿Vale la pena probar?

El proyecto parece un experimento exitoso en la intersección de la automatización práctica y la memoria digital.

Te resultará útil si:

• Quieres preservar el enfoque técnico y los estándares del líder de equipo antes de una reorganización.
• Necesitas un revisor de arquitectura estricto que piense en las categorías de un director técnico específico.
• Quieres construir un mentor personal a partir de materiales públicos de un ingeniero famoso.

Dos cosas vale la pena considerar: privacidad y calidad de datos. Exportar logs de chats corporativos a modelos cloud no verificados es un no-rotundo por razones de seguridad. Pero si despliegas un pipeline local y filtras los secretos, dot-skill puede convertir textos dispersos en un asistente de trabajo genuinamente útil.