Como Digitalizar um Sênior que Saiu e Transformá-lo em uma Skill de Agente de IA

Imagine uma cena familiar. Um engenheiro backend líder sai para outra empresa, levando consigo o entendimento de metade dos serviços legados, o hábito de rejeitar toda outra pull request por falta de contexto, e a tendência de escrever comentários concisos como "você tem um problema de N+1 query aqui, refaça." A documentação no Confluence não ajuda porque um engenheiro vivo toma decisões intuitivamente, relying on dezenas de regras não escritas.

Desenvolvedores do Shanghai AI Lab decidiram enfrentar o problema literalmente. Eles escreveram um framework dot-skill (anteriormente conhecido como colleague-skill) que coleta textos, código, comentários e correspondência de trabalho de uma pessoa, e então os empacota como uma skill de IA reutilizável seguindo o padrão AgentSkills.

Por que Distilar Pessoas Vivas

A ideia do projeto surgiu a partir de um artigo acadêmico dos autores sobre extração de conhecimento especializado. Usually, when we want an LLM to respond in a specific manner, we write a system prompt of a few paragraphs. Isso funciona mal: o modelo rapidamente volta para a polidez padrão e esquece restrições técnicas de especialização estreita.

dot-skill resolve o problema de forma diferente. A ferramenta divide o perfil de uma pessoa em duas camadas independentes:

1. A camada Persona lida com tom, objetividade, modelos mentais e estilo de comunicação.
2. A camada Work Skill armazena padrões de arquitetura, fluxos de trabalho típicos, formatos de resposta e bases de conhecimento específicas.

O agente resultante pode não apenas repetir as piadas do ex-líder de equipe, mas também revisar especificações de API exatamente de acordo com as regras que aquela pessoa seguia durante code review.

Três Cenários de Uso

Inicialmente, o repositório focava apenas em colegas, mas em versões recentes os autores expandiram o motor para três categorias:

• Colegas. O modelo treina em documentos internos, pull requests e chats de trabalho. Você pode invocá-lo por completo (/colleague-name) ou acessar sua parte técnica separadamente, sem as peculiaridades de personalidade (/colleague-name-work).
• Pessoas próximas (relacionamento). Um modo para preservar o estilo de comunicação familiar de amigos ou parentes baseado no histórico de mensagens. Captura gatilhos, padrões de discussão e métodos de reconciliação.
• Figuras públicas (celebridade). Analisa discursos, artigos, commits e entrevistas de engenheiros ou pensadores famosos, tentando reproduzir sua lógica de tomada de decisão em vez de apenas imitar superficialmente o estilo.

Aqui está um exemplo interessante do repositório, onde os autores fizeram um snapshot do pensamento 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 Onde Obter Dados e Como Funciona

A qualidade do agente resultante depende diretamente do material de origem. Se você alimentar o utilitário com conversas vazias da sala de descanso, o resultado será inútil. Os criadores do projeto afirmam diretamente: documentos de design detalhados, comentários de código e decisões fundamentadas em trackers funcionam melhor.

O pacote suporta coleta de informações de múltiplas fontes:

• Chats corporativos (Slack via API, Feishu, DingTalk)
• Exports de mensagens e dumps de email .eml / .mbox
• Arquivos markdown locais, notas e documentos PDF
• Legendas de apresentações em vídeo

Para figuras públicas, um pipeline separado está embutido no repositório:

# 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"

Suporte ao Ambiente de Execução e Instalação

A ferramenta não está atrelada a uma única plataforma. As skills são geradas como manifests markdown e rodam nos ambientes agentic mais populares: Claude Code, OpenClaw, Codex, DeepSeek Harness e Hermes Agent.

Instalar em um ambiente de agente leva uma linha:

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

Após isso, o comando /dot-skill fica disponível no terminal do agente. Um wizard interativo perguntará pela categoria, nome do personagem, traços-chave de personalidade e caminho para os dados de origem.

Se o bot se comportar de forma atípica para o protótipo durante a conversa, você pode corrigi-lo diretamente no diálogo com uma frase como "ele não responderia assim—ele geralmente pede o error trace imediatamente." O script intercepta a observação, registra em uma camada de correção e atualiza as instruções instantaneamente. Um gerenciador de versões com capacidade de rollback para snapshots anteriores é fornecido para experimentação segura.

Vale a Pena Tentar

O projeto parece um experimento bem-sucedido na interseção entre automação prática e memória digital.

Você achará isso útil se:

• Você quer preservar a abordagem técnica e os padrões do líder de equipe antes de uma reorganização.
• Você precisa de um revisor de arquitetura rigoroso que pense nas categorias de um diretor técnico específico.
• Você quer construir um mentor pessoal a partir de materiais públicos de um engenheiro famoso.

Duas coisas merecem consideração: privacidade e qualidade dos dados. Exportar logs de chat corporativo para modelos de nuvem não verificados é um não-go por razões de segurança. Mas se você implantar um pipeline local e filtrar segredos, dot-skill pode transformar textos dispersos em um assistente de trabalho genuinamente útil.