LLM(대규모 언어 모델) 에이전트에 특정 인물이나 역할의 전문성을 이식할 수 있는 이식 가능한 스킬 패키지를 자동으로 생성하는 오픈소스 시스템 COLLEAGUE.SKILL이 arXiv에 공개됐다. 이 시스템은 대상 인물이나 역할에서 수집된 이질적인 활동 기록(traces)을 입력으로 받아 검사·수정·배포가 가능한 구조화된 스킬 패키지를 생성한다. 기존 메모리 시스템이나 페르소나 시스템이 증거의 단편만 포착하거나, 스킬 프레임워크가 이식 가능한 패키지 형식만 제공했다면, COLLEAGUE.SKILL은 기록에서 스킬까지의 엔드-투-엔드 워크플로우를 제공한다는 점에서 차별화된다.
생성된 스킬 패키지는 두 개의 조율된 트랙으로 구성된다. 역량 트랙(capability track)은 실무 관행, 멘탈 모델, 의사결정 휴리스틱을 담고, 행동 경계 트랙(bounded behavior track)은 커뮤니케이션 스타일, 상호작용 규칙, 수정 이력을 포함한다. 패키지는 자연어 피드백을 통해 업데이트하거나 버전을 롤백할 수 있으며, 여러 에이전트 호스트에 설치하거나 통제된 배포를 위한 준비도 가능하다. 공개 저장소는 논문 작성 시점 기준으로 깃허브 스타 약 1만 8,500개를 기록했으며, 165명의 기여자가 215개 스킬을 갤러리에 등록했고 스킬 카드 누적 스타는 10만 개를 넘겼다.
이 연구가 제기하는 핵심 문제는 “사람의 판단과 전문성을 에이전트에 어떻게 이식할 것인가”다. 특정 도메인 전문가의 업무 방식을 에이전트가 충실하게 재현하려면 지시문 한두 줄이 아닌 체계적 지식 표현이 필요하다. COLLEAGUE.SKILL은 이를 불투명한 프롬프트나 숨겨진 메모리가 아닌 검사 가능하고 교정 가능한 패키지로 표현한다는 점에서 AI 신뢰성과 설명 가능성 관점에서도 의미가 있다.
국내 기업에서 AI 코파일럿이나 에이전트를 도입할 때 흔히 부딪히는 문제가 바로 사내 고유한 업무 방식이나 전문가 노하우를 에이전트에 반영하는 것이다. COLLEAGUE.SKILL 방식은 기존 전문가의 업무 기록을 스킬로 자동 변환해 신규 에이전트에 이식하는 실용적인 경로를 제시하며, 이를 국내 기업 맞춤형 AI 어시스턴트 개발에 응용하는 연구가 이어질 전망이다.
