COLLEAGUE.SKILL: Automated AI Skill Generation via Expert Knowledge Distillation

COLLEAGUE.SKILL은 전문가 지식 증류를 통해 AI 스킬 생성을 자동화한다.

LLM 에이전트는 고립된 작업을 완수하는 것뿐만 아니라 인간의 전문성, 판단, 상호작용 방식을 제한된 형태로 담아내는 것까지 점점 더 요구받고 있다. 어떤 사람이나 역할에 결부된 실행 가능한 지식은 보통 깔끔한 지침으로 작성되기보다 이질적인 흔적 속에 내재되어 있기 때문에, 이러한 사람 기반 에이전트를 구축하는 일은 여전히 어렵다. 기존의 메모리 및 페르소나 시스템은 이러한 증거의 단편을 포착하고, 스킬 프레임워크는 이식 가능한 패키징 포맷을 제공하지만, 이 흔적들을 검사 가능하고 수정 가능하며 에이전트가 사용할 수 있는 스킬로 증류하는 종단 간 워크플로는 존재하지 않는다. 이 논문은 전문가 지식 증류를 통해 사람 기반 AI 스킬을 생성하는 자동화된 흔적-스킬 증류 시스템을 제안한다. 대상 인물이나 역할로부터의 자료가 주어지면, COLLEAGUE.SKILL은 두 개의 조율된 트랙을 갖는 버전 관리된 스킬 패키지를 생성한다. 즉, 실무 관행, 정신 모델, 의사결정 휴리스틱을 다루는 역량 트랙과, 의사소통 방식, 상호작용 규칙, 수정 이력을 다루는 제한된 행동 트랙이다. 이 패키지는 검사, 호출, 자연어 피드백을 통한 업데이트, 롤백, 여러 에이전트 호스트에 걸친 설치가 가능하며, 선택적으로 통제된 배포를 위해 준비될 수도 있다. 저자들은 오픈소스 시스템에 구현된 산출물 계약, 생성 워크플로, 수정 수명주기, 배포 표면, 도메인 프리셋을 기술한다. 집필 시점 기준으로 공개 저장소는 약 18.5k개의 GitHub 스타를 보유하고 있으며, 갤러리에는 165명의 기여자가 올린 215개의 스킬과 등재된 스킬 카드 전반에 걸쳐 누적 10만 개 이상의 스타가 나열되어 있다. 이 시스템은 사람 기반 스킬이 불투명한 프롬프트나 숨겨진 메모리가 아니라 이식 가능하고 수정 가능한 패키지로 표현될 수 있음을 보여준다.

핵심 요약

• LLM 에이전트는 고립된 작업을 완수하는 것뿐만 아니라 인간의 전문성, 판단, 상호작용 방식을 제한된 형태로 담아내는 것까지 점점 더 요구받고 있다.
• 이 논문은 전문가 지식 증류를 통해 사람 기반 AI 스킬을 생성하는 자동화된 흔적-스킬 증류 시스템을 제안한다.
• 저자들은 오픈소스 시스템에 구현된 산출물 계약, 생성 워크플로, 수정 수명주기, 배포 표면, 도메인 프리셋을 기술한다.

논문 링크

외부 연구를 정리한 자료입니다. HDATF가 발표한 논문이나 제품 성능을 측정한 결과는 아닙니다.