🔥 퇴사한 동료를 AI로 부활시킨다 — colleague.skill의 13.8k 스타 뒷이야기

GitHub 트렌딩을 훑다가 이 저장소 이름에 눈이 멈췄다. colleague-skill — 동료를 스킬로 만든다고? 장난인 줄 알았다. README를 열어보니 장난이 아니었다.

동료가 퇴사하면 남는 건 뭔가

개발팀에서 핵심 인력이 빠지면 벌어지는 일을 다들 겪어봤을 거다. 인수인계 문서는 A4 세 장, 슬랙 히스토리에 묻힌 의사결정 맥락, 그리고 "그건 원래 XX님이 알던 건데…"라는 말이 회의실에서 반복된다. 3년치 도메인 지식이 퇴사 메일 한 통과 함께 증발한다.

colleague.skill은 이 문제를 정면으로 건드린다. 떠난 동료의 채팅 로그, 문서, 이메일, 심지어 스크린샷까지 수집해서 그 사람처럼 일하고 대화하는 AI 스킬을 만든다. "将冰冷的离别化为温暖的 Skill(차가운 이별을 따뜻한 Skill로)." 저장소 설명이 이렇다.

공개 직후 폭발적으로 성장해 현재 GitHub 스타 13.8k를 넘겼다 (2026년 4월 14일 기준).

출처: Star History

이중 트랙 아키텍처 — Work Skill + Persona

이 프로젝트가 단순한 프롬프트 모음이 아닌 이유는 구조에 있다. 생성되는 스킬은 두 개의 독립적인 레이어로 나뉜다.

Part A — Work Skill: 담당 시스템, 기술 기준, 워크플로우, 실무 경험이 담긴다. 코드 리뷰 스타일, API 설계 원칙, 장애 대응 패턴 같은 것들이다.

Part B — Persona: 5단계로 구성된 성격 모델이다. 하드 룰, 정체성, 표현 방식, 의사결정 패턴, 대인관계 스타일. "책임감 있는 타입"인지 "책임 전가형"인지, "완벽주의자"인지 "적당주의자"인지까지 태그로 지정한다.

실행 흐름이 재밌다. 태스크가 들어오면 Persona가 먼저 태도를 결정한다. 그 다음 Work Skill이 실제 작업을 수행하고, 최종 출력은 그 사람의 말투로 나온다.

바이트댄스 L2-1 백엔드 엔지니어 시뮬레이션 데모를 보면:

User            ❯ 이 API 설계 리뷰해줄 수 있어?

colleague.skill ❯ 잠깐 — 영향 범위는? 맥락 설명 안 했잖아.
                  (읽은 후) N+1 쿼리 있음, 고쳐. 표준 {code, message, data}
                  응답 포맷 써. 스펙이 그러니까, 이유는 묻지 마.

User            ❯ 이 API 설계 리뷰해줄 수 있어?

colleague.skill ❯ 잠깐 — 영향 범위는? 맥락 설명 안 했잖아.
                  (읽은 후) N+1 쿼리 있음, 고쳐. 표준 {code, message, data}
                  응답 포맷 써. 스펙이 그러니까, 이유는 묻지 마.

심지어 "책임 떠넘기기" 시나리오까지 있다:

User            ❯ 이 버그 네가 넣은 거 맞지?

colleague.skill ❯ 타임라인 맞아? 그 기능 여러 곳에서 건드렸고,
                  다른 변경 사항도 있었거든.

User            ❯ 이 버그 네가 넣은 거 맞지?

colleague.skill ❯ 타임라인 맞아? 그 기능 여러 곳에서 건드렸고,
                  다른 변경 사항도 있었거든.

이건 프롬프트 엔지니어링이 아니라 행동 모델링이다.

데이터는 어디서 오나

수집 가능한 데이터 소스가 꽤 넓다.

자동 수집: Feishu(Lark) API를 통해 메시지, 문서, 위키, 스프레드시트를 이름만 입력하면 자동으로 긁어온다. DingTalk은 브라우저 방식으로 문서를 수집하고, Slack은 Bot 설치 후 API로 메시지를 가져온다 (무료 플랜은 90일 제한).

수동 업로드: PDF, 이미지/스크린샷, 이메일(.eml/.mbox), Markdown, 직접 텍스트 붙여넣기까지 지원한다.

WeChat: SQLite 기반으로 채팅 히스토리를 파싱하지만 아직 불안정하다. WeChatMsg(Windows)나 留痕(macOS) 같은 서드파티 도구로 먼저 내보낸 후 임포트하는 방식을 권장한다.

한 가지 명심할 건, 소스 자료의 품질이 곧 스킬의 품질이라는 점이다. 본인이 직접 쓴 긴 글이 가장 좋고, 의사결정이 담긴 답장이 그 다음, 일상 잡담은 별 도움이 안 된다.

Claude Code에 설치하기

설치는 단순하다. Claude Code의 스킬 시스템에 맞춰 .claude/skills/ 디렉토리에 클론하면 된다.

# 프로젝트 단위 설치 (git 루트에서 실행)
mkdir -p .claude/skills
git clone https://github.com/titanwings/colleague-skill .claude/skills/create-colleague
 
# 또는 글로벌 설치 (모든 프로젝트에서 사용)
git clone https://github.com/titanwings/colleague-skill ~/.claude/skills/create-colleague

# 프로젝트 단위 설치 (git 루트에서 실행)
mkdir -p .claude/skills
git clone https://github.com/titanwings/colleague-skill .claude/skills/create-colleague
 
# 또는 글로벌 설치 (모든 프로젝트에서 사용)
git clone https://github.com/titanwings/colleague-skill ~/.claude/skills/create-colleague

OpenClaw를 쓴다면:

git clone https://github.com/titanwings/colleague-skill ~/.openclaw/workspace/skills/create-colleague

git clone https://github.com/titanwings/colleague-skill ~/.openclaw/workspace/skills/create-colleague

Feishu/DingTalk/Slack 자동 수집을 쓰려면 각 플랫폼의 App 인증 정보가 필요하다. INSTALL.md에 상세 가이드가 있다.

의존성 설치:

pip3 install -r requirements.txt

pip3 install -r requirements.txt

설치 후 Claude Code에서 /create-colleague를 입력하면 대화형 인터뷰가 시작된다. 별명, 회사/직급, 성격 태그를 입력하고 데이터 소스를 선택한다. 별명(alias)만 필수이고 나머지는 건너뛸 수 있다. 간단한 설명만으로도 스킬을 생성할 수 있다.

생성된 스킬은 /{slug}로 호출한다.

AgentSkills — 이 모든 걸 가능하게 한 오픈 표준

colleague.skill이 Claude Code에서도 OpenClaw에서도 돌아가는 건 AgentSkills 오픈 표준 덕분이다. Anthropic이 처음 만든 이 포맷을 GitHub Copilot, OpenAI Codex 등 점점 많은 에이전트 제품이 채택하고 있다.

핵심은 단순하다: 스킬 하나가 디렉토리 하나이고, 그 안에 SKILL.md 파일이 있으면 된다. YAML 프론트매터로 메타데이터를 정의하고, 마크다운 본문에 실행 지침을 적는다. 선택적으로 scripts/, references/, assets/ 디렉토리를 추가할 수 있다.

colleague.skill의 프로젝트 구조를 보면 이 표준을 충실하게 따르고 있다:

create-colleague/
├── SKILL.md              # 스킬 진입점
├── prompts/              # 프롬프트 템플릿
│   ├── intake.md         #   대화형 정보 수집
│   ├── work_analyzer.md  #   업무 역량 추출
│   ├── persona_analyzer.md #  성격 추출
│   ├── work_builder.md   #   work.md 생성
│   ├── persona_builder.md #   persona.md 5단계 구조
│   ├── merger.md         #   증분 병합 로직
│   └── correction_handler.md # 대화 교정 핸들러
├── tools/                # Python 도구
│   ├── feishu_auto_collector.py
│   ├── slack_auto_collector.py
│   ├── skill_writer.py
│   └── version_manager.py
└── colleagues/           # 생성된 동료 스킬 (gitignored)

create-colleague/
├── SKILL.md              # 스킬 진입점
├── prompts/              # 프롬프트 템플릿
│   ├── intake.md         #   대화형 정보 수집
│   ├── work_analyzer.md  #   업무 역량 추출
│   ├── persona_analyzer.md #  성격 추출
│   ├── work_builder.md   #   work.md 생성
│   ├── persona_builder.md #   persona.md 5단계 구조
│   ├── merger.md         #   증분 병합 로직
│   └── correction_handler.md # 대화 교정 핸들러
├── tools/                # Python 도구
│   ├── feishu_auto_collector.py
│   ├── slack_auto_collector.py
│   ├── skill_writer.py
│   └── version_manager.py
└── colleagues/           # 생성된 동료 스킬 (gitignored)

OpenClaw의 공개 레지스트리인 ClawHub에도 수천 개의 커뮤니티 스킬이 올라와 있고, colleague.skill은 그중에서도 가장 화제가 된 프로젝트다.

dot-skill로의 진화 — "사람은 떠나도, .skill은 남는다"

2026년 4월 13일, titanwings는 dot-skill 로드맵을 공개했다. colleague.skill이 dot-skill로 진화한다. 동료뿐만 아니라 누구든 증류(distill)할 수 있는 범용 프레임워크로 확장하겠다는 것이다.

멀티모달 출력, 스킬 생태계, 커뮤니티 갤러리까지 로드맵에 포함되어 있다. 이미 커뮤니티 갤러리에는 96개 이상의 스킬이 등록되어 있다. 보안 전문가, 프론트엔드 개발자, 법률가, HR 담당자 등 다양한 도메인을 커버한다.

"人会离开，.skill 不会." 사람은 떠나도, .skill은 남는다. 프로젝트 슬로건이 묘하게 와닿는다.

anti-distillation.skill — 반격의 등장

여기서 이야기가 재미있어진다.

colleague.skill이 바이럴을 타자 중국 개발자 커뮤니티에서 예상치 못한 반응이 나왔다. 일부 회사에서 동료를 "증류"해서 대체하려는 시도가 실제로 벌어진 거다. 자기 자신을 안전하게 만들기 위해 옆자리 동료를 AI로 복제한다. 꽤 디스토피아적인 풍경이다.

며칠 만에 anti-distill이라는 카운터 프로젝트가 등장했다. 이름 그대로 "반증류 Skill"이다. 회사에서 제출하라고 시킨 스킬 파일을 입력하면, 겉보기엔 완벽하지만 핵심 지식이 빠진 세탁된 버전을 내뱉는다. 진짜 핵심 지식은 별도 백업 파일로 빼서 본인만 보관하는 구조다.

Andreas Klinger가 X에서 이걸 보고 남긴 코멘트가 좋다. "이건 counter intelligence다. 노이즈를 추가해서 증류를 어렵게 만드는 거다. 💀💀"

냉정하게 보면 이건 단순한 밈이 아니다. AI 시대 노동자의 지식 주권에 대한 실질적인 질문이 담겨 있다. 내 머릿속 지식은 누구 것인가? 회사가 요구하면 내 노하우를 AI에 넘겨야 하는가?

Shanghai AI Lab이 만든 이유

이 프로젝트의 뒤에는 Shanghai AI Lab(上海人工智能实验室)과 그 산하 AI Safety Center가 있다. Shanghai AI Lab은 AI 안전성 연구의 선두 기관 중 하나로, AI-45° Law라는 신뢰할 수 있는 AGI 로드맵을 제안한 곳이기도 하다.

colleague.skill의 기술 보고서도 공개되어 있다. "Colleague.Skill: Automated AI Skill Generation via Expert Knowledge Distillation"이라는 제목으로, 이중 트랙 아키텍처 설계부터 멀티소스 데이터 수집, 스킬 생성 및 진화 메커니즘, 실제 시나리오 평가까지 다루고 있다.

연구 기관이 이런 실용적인 오픈소스 도구를 직접 내놓은 건 꽤 이례적이다.

내가 이걸 보고 느낀 것

솔직히 처음엔 "또 하나의 AI 장난감"이라고 생각했다. 하지만 README를 끝까지 읽고, 커뮤니티 반응을 보고, anti-distillation까지 파고 나니 생각이 달라졌다.

이 프로젝트가 건드리는 건 기술적 문제가 아니라 조직 문제다. 인수인계가 제대로 안 되는 건 문서 템플릿이 없어서가 아니다. 한 사람의 머릿속에 있는 암묵지(tacit knowledge)를 텍스트로 옮기는 게 근본적으로 어렵기 때문이다. colleague.skill은 그 암묵지를 채팅 로그와 문서에서 자동으로 추출하겠다는 시도다.

물론 한계는 분명하다. 채팅 로그에서 추출한 스킬이 실제 그 사람의 판단력을 대체할 수는 없다. 데이터 프라이버시 문제도 크다. 퇴사한 동료의 채팅 기록을 동의 없이 수집한다면 그건 기술이 아니라 윤리의 영역이다.

그래도 방향 자체는 맞다고 본다. AgentSkills 표준 위에서 이런 도구들이 계속 나올 테고, "사람의 지식을 어떻게 보존할 것인가"는 모든 조직이 답해야 할 질문이 될 거다.

이번 주말에 사이드 프로젝트에 설치해보려 한다. 나 자신을 증류해보는 것부터 시작하면 재밌지 않을까. 적어도 anti-distillation은 필요 없을 테니까.

참고 자료

• colleague-skill GitHub 저장소 — 프로젝트 메인 저장소, README와 설치 가이드
• dot-skill 공식 사이트 — dot-skill 로드맵과 커뮤니티 갤러리
• AgentSkills 공식 스펙 — AI 에이전트 스킬 오픈 표준 명세
• anti-distill GitHub 저장소 — 반증류 스킬 프로젝트
• Claude Code Skills 문서 — Claude Code 스킬 시스템 공식 가이드
• Colleague.Skill 기술 보고서 — Expert Knowledge Distillation 논문