COLLEAGUE.SKILL: 전문가 지식 증류를 통한 자동화된 AI 기술 생성

LLM 에이전트(LLM agents)는 단순히 고립된 작업을 완료하는 것을 넘어, 인간의 전문 지식, 판단력 및 상호작용 스타일을 제한된 표현(bounded representations)으로 보유할 것이라는 기대가 점점 커지고 있습니다. 이러한 개인 기반(person-grounded) 에이전트를 구축하는 것은 여전히 어려운데, 이는 특정 개인이나 역할과 관련된 실행 가능한 지식이 깔끔한 지침(instructions)으로 작성되기보다는 대개 이질적인 흔적(heterogeneous traces) 속에 내재되어 있기 때문입니다. 기존의 메모리 및 페르소나(persona) 시스템은 이러한 증거의 파편들을 포착하며, 기술 프레임워크(skill frameworks)는 휴대 가능한 패키징 형식을 제공하지만, 이러한 흔적들을 검사 가능하고, 수정 가능하며, 에이전트가 사용할 수 있는 기술(skills)로 증류(distilling)하기 위한 엔드 투 엔드(end-to-end) 워크플로우는 존재하지 않습니다.

우리는 전문가 지식 증류(expert knowledge distillation)를 통해 개인 기반 AI 기술을 생성하는 자동화된 흔적-기술 증류(trace-to-skill distillation) 시스템을 제시합니다. 대상 개인이나 역할로부터 얻은 자료가 주어지면, COLLEAGUE.SKILL은 두 가지 조정된 트랙을 가진 버전 관리형 기술 패키지를 생성합니다. 하나는 관행, 정신 모델(mental models), 의사결정 휴리스틱(decision heuristics)을 위한 역량 트랙(capability track)이며, 다른 하나는 커뮤니케이션 스타일, 상호작용 규칙, 수정 이력을 위한 제한된 행동 트랙(bounded behavior track)입니다. 이 패키지는 자연어 피드백을 통해 검사, 호출, 업데이트가 가능하며, 롤백(rolled back)하거나 에이전트 호스트 전반에 설치할 수 있고, 선택적으로 통제된 배포를 위해 준비될 수 있습니다.

우리는 오픈 소스 시스템에 구현된 아티팩트 계약(artifact contract), 생성 워크플로우, 수정 라이프사이클(correction lifecycle), 배포 표면(deployment surface), 그리고 도메인 프리셋(domain presets)에 대해 설명합니다. 이 글을 쓰는 시점에 공개 저장소는 약 18.5k개의 GitHub stars를 보유하고 있으며, 갤러리에는 165명의 기여자가 만든 215개의 기술이 나열되어 있고, 나열된 기술 카드 전체에 걸쳐 100k 이상의 누적 stars를 기록하고 있습니다. 이 시스템은 개인 기반 기술이 불투명한 프롬프트(prompts)나 숨겨진 메모리(memories)가 아닌, 휴대 가능하고 수정 가능한 패키지로 어떻게 표현될 수 있는지를 보여줍니다.