조직에서 우수한 멤버의 퇴직이나 이동은 단순한 인원 감소에 그치지 않습니다. 그들이 쌓아온 '업무 방식'이나 '판단 기준'과 같은 암묵지(Tacit Knowledge)가 상실되는 것은 조직에 있어 매우 큰 손실입니다. 기존의 문서화나 RAG(검색 증강 생성, Retrieval-Augmented Generation) 등의 수법으로는 업무 프로세스는 기록할 수 있어도, 그 사람만의 독특한 '사고 모델(Thinking Model)'이나 '커뮤니케이션 스타일(Communication Style)'까지 완전히 재현하는 것은 어려웠습니다.

이러한 과제를 해결하기 위한 접근법으로서, Shanghai Artificial Intelligence Laboratory의 AI 안전 센터가 주도하는 프로젝트인 "COLLEAGUE.SKILL(현재는 dot-skill로 업그레이드됨)"이 주목을 받고 있습니다. 본 프로젝트는 특정 인물의 전문 지식이나 대화 스타일을 추출하여, AI 에이전트(AI Agent)를 위한 포터블(Portable)한 스킬로 자동 변환하는 시스템입니다.

GitHub에서는 약 18,500~18,900개의 스타(Star)를 획득하였고, 커뮤니티 갤러리에는 215개의 스킬과 55개의 메타 스킬이 공개되는 등 이미 큰 실적을 올리고 있습니다. 본 기사에서는 이 COLLEAGUE.SKILL의 구조를 파헤치고, 실제로 도입하기 위한 절차와 초기 설정 예시를 해설합니다.

COLLEAGUE.SKILL의 최대 특징은 대상을 단순히 통째로 클론(Clone)화하는 것이 아니라, 개인의 '흔적(Trace)'으로부터 유용한 전문 지식을 추출하여 편집 가능한 기술적 아티팩트(Artifact, 스킬)로서 재사용한다는 점에 있습니다.

이를 실현하기 위해 시스템은 다음과 같은 두 가지 독립된 트랙(Track)으로 동작을 관리 및 제어합니다. 이들은 개별적으로 또는 통합하여 호출할 수 있습니다.

Work Track (업무 트랙): 업무에서의 절차, 기준, 사고 모델, 의사결정의 우선순위 등을 명문화하여 저장합니다. 예를 들어, 코드 리뷰에서의 'N+1 문제 지적 규칙'이나 'API 설계 확인 절차' 등이 이에 해당합니다.

Persona Track (페르소나 트랙): 대상자의 말투, 표현 선호도, 대화의 경계선, 수정 이력 등을 저장합니다. 업무에 특화된 냉정한 말투나 특정 표현의 습관 등을 제어합니다.

이와 같이 '능력'과 '인격'을 분리함으로써 AI의 거동이 불투명해지는 것을 방지하고, 사용자에 의한 '검사 가능(Inspectable)', '수정 가능(Correctable)'한 상태를 확보하고 있습니다.

COLLEAGUE.SKILL은 여러 에이전트 환경(Claude Code, Hermes Agent, OpenClaw, Codex)을 지원하며, 단 한 번의 명령(One-command)으로 설치가 가능합니다.

다음은 실제로 '동료(colleague)' 프리셋을 사용하여 셋업을 진행하는 로드맵입니다.

먼저 증류의 원천이 되는 데이터를 준비합니다. 시스템은 일상의 다양한 디지털 활동 데이터에 대응합니다.

자동 수집: Slack (Bot 경유), Feishu (API/Wiki 경유), DingTalk (브라우저 경유) -
수동 수집: WeChat의 암호화된 데이터베이스 (SQLite 형식) 추출, PDF, 이미지, 메일 (.eml/.mbox), 직접적인 Markdown 입력

예를 들어, Claude Code 환경에 도입하는 경우 제공되는 CLI 도구를 사용하여 설치를 진행합니다.

# colleague-skill(dot-skill)을 설치하고 에이전트 환경에 적용하는 명령 예시
dot-skill install --agent claude-code

프로젝트의 루트 디렉토리에 다음과 같은 설정 파일을 배치합니다. 여기서는 '동료(colleague)' 프리셋을 베이스로 하여 백엔드 엔지니어의 스킬을 정의하는 예를 보여줍니다.

# config.yaml 설정 예시
skill:
  name: "backend_expert"
  ...

생성되는 work.md와 persona.md의 기술 예시는 다음과 같습니다.

# work.md (능력 트랙의 예)
- 의사결정 우선순위:
  1. API 성능 (특히 N+1 문제 회피)
  ...

# persona.md (페르소나 트랙의 예)
- 말투: 냉정하고 객관적이며 업무 지향적
- 표현 선호도: 장황한 인사를 생략하고 결론부터 말함
- ...

실제로 운용을 시작하면, AI의 답변이 본인의 실제 판단이나 말투와 어긋나는 경우가 있습니다. COLLEAGUE.SKILL에는 이러한 어긋남을 보정하기 위한 「수정·갱신 루프 (Correction & Update Loop)」가 갖춰져 있습니다.

사용자가 "그녀라면 여기서 다른 판단을 했을 것이다"라고 자연어 (Natural Language)로 지적하면, 시스템은 자동으로 Markdown 패치를 생성하여 work.md의 능력 기술을 자동 업데이트합니다.

"그는 그렇게 차가운 말투로 말하지 않는다"와 같은 피드백에 대해서는, 시스템이 구조화 데이터 ({상황, 오류, 수정})로 기록하여 persona.md의 행동을 보정합니다. 이는 자동으로 버전 관리 (Version Control) 및 롤백 (Rollback)이 가능합니다.

채팅 이력 등에서 불필요한 개인정보가 추출된 경우에는, 로컬 환경에서 직접 Markdown 파일을 열어 해당 부분을 수동으로 삭제 또는 편집하십시오. 본 시스템은 결과물이 명시적인 파일 구조로 출력되기 때문에, 안전하게 거버넌스 (Governance)를 확보할 수 있습니다.

COLLEAGUE.SKILL (dot-skill)은 단순한 AI를 통한 캐릭터 모방 도구가 아닙니다. 조직의 「암묵지 (Tacit Knowledge)」라는 무형 자산을, 검사 가능하고 편집 가능한 「기술적 자산 (Technical Asset)」으로 변환하기 위한 강력한 에코시스템 (Ecosystem)입니다.

퇴직자가 남긴 프로세스나 사고의 흔적을 AI로 증류함으로써, 조직 지식의 포터빌리티 (Portability)를 높이고 지속적인 성장을 뒷받침하는 기반을 구축할 수 있습니다. 우선 로컬 프라이빗 환경에서의 시도로부터 시작해 보시는 것은 어떨까요?