Come digitalizzare un Senior andato via e trasformarlo in una skill per agente AI

Immagina una scena familiare. Un lead backend engineer lascia l'azienda per un'altra, portando con sé la comprensione della metà dei servizi legacy, l'abitudine di rifiutare ogni due pull request per mancanza di contesto, e la tendenza a scrivere commenti stringati come "hai un N+1 query qui, rifallo." La documentazione su Confluence non aiuta perché un ingegnere vivo prende decisioni in modo intuitivo, basandosi su dozzine di regole non scritte.

Gli sviluppatori di Shanghai AI Lab hanno deciso di affrontare il problema letteralmente. Hanno scritto un framework dot-skill (precedentemente noto come colleague-skill) che raccoglie i testi, il codice, i commenti e la corrispondenza di lavoro di una persona, poi li confeziona come skill AI riutilizzabile seguendo lo standard AgentSkills.

Perché distillare persone viventi

L'idea del progetto è nata da un articolo accademico degli autori sull'estrazione della conoscenza esperta. Di solito, quando vogliamo che un LLM risponda in un modo specifico, scriviamo un system prompt di qualche paragrafo. Questo funziona male: il modello torna rapidamente alla cortesia standard e dimentica i vincoli tecnici di specializzazione stretta.

dot-skill risolve il problema in modo diverso. Lo strumento suddivide il profilo di una persona in due livelli indipendenti:

1. Il livello Persona gestisce tono, schiettezza, modelli mentali e stile di comunicazione.
2. Il livello Work Skill memorizza standard architetturali, workflow tipici, formati di risposta e basi di conoscenza specifiche.

L'agente risultante può non solo ripetere le battute dell'ex team lead, ma anche revisionare le specifiche API esattamente secondo le regole che quella persona seguiva durante il code review.

Tre scenari d'uso

Inizialmente il repository si concentrava solo sui colleghi, ma nelle versioni recenti gli autori hanno espanso il motore a tre categorie:

• Colleghi. Il modello si allena su documenti interni, pull request e chat di lavoro. Puoi invocarlo interamente (/colleague-name) o accedere alla sua parte tecnica separatamente senza stranezze di personalità (/colleague-name-work).
• Persone care (relazione). Una modalità per preservare lo stile di comunicazione familiare di amici o parenti basata sulla cronologia dei messaggi. Cattura trigger, schemi di disputa e metodi di riconciliazione.
• Personaggi pubblici (celebrità). Analizza discorsi, articoli, commit e interviste di ingegneri o pensatori famosi, cercando di riprodurre la loro logica decisionale piuttosto che l'imitazione superficiale dello stile.

Ecco un esempio interessante dal repository, dove gli autori hanno fatto uno snapshot del pensiero di 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.

Dove procurarsi i dati e come funziona

La qualità dell'agente risultante dipende direttamente dal materiale sorgente. Se fornisci allo strumento chiacchiere vuote dalla sala relax, il risultato sarà inutile. I creatori del progetto lo dichiarano chiaramente: documenti di design dettagliati, commenti nel codice e decisioni motivate nei tracker funzionano meglio.

Il pacchetto supporta la raccolta di informazioni da più fonti:

• Chat aziendali (Slack via API, Feishu, DingTalk)
• Esportazioni di messaggi e dump di email .eml / .mbox
• File markdown locali, note e documenti PDF
• Sottotitoli da presentazioni video

Per i personaggi pubblici, nel repository è integrata una pipeline separata:

# 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"

Supporto runtime e installazione

Lo strumento non è legato a una singola piattaforma. Le skill vengono generate come manifesti markdown e funzionano nei più diffusi ambienti agentici: Claude Code, OpenClaw, Codex, DeepSeek Harness e Hermes Agent.

L'installazione in un ambiente agentico richiede una sola riga:

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

Dopo di che, il comando /dot-skill diventa disponibile nel terminale dell'agente. Una procedura guidata interattiva chiederà la categoria, il nome del personaggio, i tratti chiave della personalità e il percorso ai dati sorgente.

Se il bot si comporta in modo atipico per il prototipo durante la conversazione, puoi correggerlo direttamente nel dialogo con una frase come "lui non risponderebbe così—di solito chiede subito la traccia dell'errore." Lo script intercetta la nota, la registra in un livello di correzione e aggiorna istantaneamente le istruzioni. Un gestore di versioni con la possibilità di tornare a snapshot precedenti è fornito per sperimentazioni sicure.

Vale la pena provare

Il progetto sembra un esperimento riuscito all'intersezione tra automazione pratica e memoria digitale.

Lo troverai utile se:

• Vuoi preservare l'approccio tecnico e gli standard del team lead prima di una riorganizzazione del team.
• Hai bisogno di un revisore architetturale rigoroso che pensi nelle categorie di un direttore tecnico specifico.
• Vuoi costruire un mentore personale dai materiali pubblici di un ingegnere famoso.

Due cose sono da considerare: privacy e qualità dei dati. Esportare log di chat aziendali verso modelli cloud non verificati è un no-go per ragioni di sicurezza. Ma se implementi una pipeline locale e filtri i segreti, dot-skill può trasformare testi sparsi in un assistente di lavoro genuinamente utile.