快速摘要
colleague-skill 是一个基于 AgentSkills 开放标准的开源项目，它能够将同事的飞书消息、钉钉文档、邮件、截图等数字素材，结合你的主观描述，自动提炼出一套 AI Skill——包含"工作能力层"和"人格层"两大模块。 生成的 Skill 不仅能用这位同事的技术规范帮你写代码、做 Code Review，还能模拟他的说话风格和决策习惯。项目上线不到一周就在 GitHub 拿下数千 Star，目前处于 beta 阶段，支持持续进化和版本回滚。往下看，莫潇羽@源码七号站 会从技术原理、双层架构、数据采集、安装部署到日常使用，给你做一次完整的拆解。
这个项目到底在解决什么问题？
在任何一个技术团队里，人员流动都是常态。一位资深工程师离开，带走的不只是一个工位——他多年积累的技术规范理解、对业务上下文的把握、遇到疑难杂症时的排查思路、甚至跟团队成员磨合出来的沟通默契，这些东西既难量化也难传承。
传统的做法是写交接文档，但你我都清楚，交接文档能覆盖的永远只是冰山一角。那些"只可意会不可言传"的经验——比如"这个接口在高并发下会有个隐藏的坑"、"跟产品经理沟通需求变更时最好先拉上测试同学"——这些散落在日常对话、邮件、文档评论里的碎片化知识，才是真正有价值的部分。
更麻烦的是，这些经验的价值往往要等到人走了之后才会显现出来。接手的同学在遇到某个诡异的线上问题时，翻遍了 Wiki 也找不到线索，最后在某个工作群的聊天记录里发现了前任留下的一句话："这个服务在每天凌晨三点会有一次定时任务触发全量同步，这段时间的请求超时是正常现象，不用报警。"如果这句话不是恰好被翻到，排查这个问题可能要花费好几个小时。
类似的场景在每个技术团队中都在反复上演。知识的传承本来就是组织管理中最困难的问题之一，而在技术领域，由于知识的碎片化程度高、更新速度快、很多内容高度依赖上下文，这个问题就更加突出。
colleague-skill（同事.skill）这个项目，提出了一个有意思的思路：与其费力去写一份注定不完整的交接文档，不如直接把这个人的工作方式、技术积累和行为风格，"蒸馏"成一个 AI 可以执行的 Skill。
说白了，它想做的事情是：给你一个"数字化的前同事"，你可以随时向他请教问题，而他会用原来那个人的思维方式和表达习惯来回答你。
这个想法并不是异想天开。随着大语言模型能力的持续提升，AI 在理解和模拟人类行为模式方面已经展现出了相当强的表现力。关键问题在于如何把一个具体的人的特征系统性地输入给 AI，让它能够在后续的交互中稳定地表现出这些特征。colleague-skill 正是在这个环节给出了一套完整的工程化解决方案——它把"了解一个人"这件看起来很模糊的事情，拆解成了数据采集、特征提取、结构化建模、持续迭代这几个清晰可操作的步骤。
莫潇羽在源码七号站（www.fuyuan7.com）研究这个项目的时候，第一反应是觉得有点科幻。但仔细看完整个技术方案之后发现，它的底层逻辑其实非常扎实——本质上是把 Agent Skills 标准和专家知识蒸馏结合在了一起。接下来我会把这个项目从内到外拆开来讲。
先搞清楚一个前置概念：什么是 Agent Skills？
在深入 colleague-skill 之前，有必要先理解它所依赖的底层标准——AgentSkills 开放标准。如果你对这个概念已经很熟悉，可以跳过这一节。
Agent Skills 是 2025 年底由 Anthropic 发起并逐步被业界广泛接受的一个开放规范。简单来说，它定义了一种标准化的方式，让你能够把特定领域的专业知识、工作流程、最佳实践打包成一个"技能包"，然后让 AI 代理（Agent）按需加载和使用。
你可以把 Skill 理解成给 AI 发放的一本专业操作手册。和每次都在对话框里重复输入一大段背景信息相比，Skill 的做法是：一次编写，反复调用。AI 在接到任务时会自动判断是否需要加载某个 Skill，然后按照 Skill 里定义的流程去执行。
为了更直观地理解这个概念，你可以想象这样一个场景：你团队里有一套非常严格的代码审查规范，每次让 AI 帮你 Review 代码时，你都要在对话框里重新贴一遍这套规范，告诉它"我们团队不允许使用 var 声明变量"、"所有的异步操作必须有错误处理"、"API 返回结构必须遵循统一格式"。这样做不仅效率低下，而且 AI 在不同对话中的表现也不一致——有时候它记得你说过的规范，有时候又忘了。
Agent Skills 的出现就是为了解决这类问题。你只需要把这套代码审查规范写成一个 Skill，安装到对应的目录下，以后 AI 在执行代码审查任务时会自动加载这个 Skill，无需你每次手动提醒。更重要的是，这个 Skill 可以被团队共享——所有人使用同一套规范，AI 的输出也因此保持一致。
Agent Skills 和你可能听说过的 MCP（Model Context Protocol，模型上下文协议）是两个不同层面的东西。MCP 解决的是"AI 怎么连接外部工具和数据源"的问题，它是一个传输层的标准接口；而 Agent Skills 解决的是"AI 怎么按照特定的方式做事"的问题，它是一个应用层的能力扩展方案。两者经常配合使用——MCP 让 AI 能够访问飞书的数据，而 Skill 教 AI 怎么按照你的规范去分析和处理这些数据。
从文件结构上看，一个标准的 Skill 就是一个文件夹，里面必须有一个 SKILL.md 文件作为入口，可以包含提示词模板、参考资料、可执行脚本等资源：
my-skill/
├── SKILL.md # 必需：技能的元数据和核心指令
├── references/ # 可选：参考资料
├── scripts/ # 可选：可执行脚本
└── assets/ # 可选：模板、资源文件目前 Agent Skills 标准已经被多个主流 AI 开发工具支持，包括 Claude Code、VS Code Copilot、Cursor、OpenAI Codex 等。这意味着你基于这个标准创建的 Skill，理论上可以在不同的平台间复用。
理解了这个背景，你就能明白 colleague-skill 在做的事情了——它是一个"元技能"（meta-skill），也就是一个用来创建其他 Skill 的 Skill。它的产出物是一个个具体的"同事 Skill"，每个 Skill 对应一位真实的同事，封装了这位同事的工作能力和人格特征。
colleague-skill 的核心架构：双层设计
这个项目最精妙的地方在于它的双层架构设计。每一个生成出来的"同事 Skill"都由两个部分组成，二者可以独立使用，也可以组合运行（默认是组合模式）。
第一层：Work Skill（工作能力层）
Work Skill 负责沉淀的是硬核的技术能力和工作知识。具体来说，它会从原始素材中提取以下几类信息：
- 这位同事负责的技术领域和技术栈是什么
- 他在做 Code Review 时重点关注哪些方面
- 他对接口设计有哪些规范性要求
- 遇到特定类型的故障时，他通常的排查路径是什么
- 他对业务逻辑的理解和判断标准是怎样的
- 团队内部约定俗成的编码风格和命名规范
这些内容构成了 AI Skill 的"实战能力"，保证它在被调用时能够真正解决具体的工作问题，而不是泛泛而谈。
第二层：Persona（人格层）
人格层是 colleague-skill 区别于普通知识库问答系统的关键所在。这一层通过一个五级结构来模拟一个人的行为模式，从高优先级到低优先级依次是：
- Layer 0 - 硬规则：绝对不能违背的底线。比如"绝不在没有测试的情况下上线"、"涉及用户数据的变更必须经过安全评审"。这些是最高优先级，任何情况下都不会被覆盖。
- Layer 1 - 身份：这位同事在团队中的角色定位。他是技术负责人还是业务架构师？是前端专家还是全栈工程师？这个身份定位会影响他看问题的视角。
- Layer 2 - 表达风格：他说话的方式。有的人习惯简洁直接，三句话讲完重点；有的人喜欢先铺垫背景再给结论；有的人擅长用比喻来解释复杂概念。这一层决定了 AI 输出内容的"腔调"。
- Layer 3 - 决策模式：面对需要做判断的场景时，他的思维倾向。是偏数据驱动还是凭直觉判断？是倾向于保守稳妥还是愿意冒险尝试？在信息不完整时会选择等待还是先行动？
- Layer 4 - 人际行为：他在团队协作中表现出的行为特征。比如被质疑时是据理力争还是退让妥协？分配任务时是事无巨细还是放权信任？出了问题时是主动担责还是先甩清关系？
这五层结构叠加在一起，就构成了一个相当立体的"数字人格画像"。
值得注意的是，这五层之间存在严格的优先级关系。Layer 0 的硬规则永远高于其他所有层——即使某个同事的性格是"什么事都好商量"，但如果他的硬规则中明确写了"绝不在没有灰度发布的情况下全量上线"，那么在涉及这个话题时，AI 绝不会因为"好商量"的性格而放松这条底线。
这个设计非常巧妙，它确保了生成的 Skill 在"有个性"的同时不会失控。在实际使用中，你可以通过调整不同层级的内容来精细控制 Skill 的行为表现——比如你想让一个技术过硬但说话很冲的同事 Skill 变得稍微委婉一些，只需要微调 Layer 2（表达风格）即可，而不需要动其他层级。
两层如何协同工作？
当你调用一个同事 Skill 时，系统的执行逻辑是这样的：
接收到用户任务
↓
Persona 层先判断：用什么态度来接这个任务？
↓
Work Skill 层执行：用专业能力完成任务
↓
用 Persona 的表达风格输出最终结果举个具体的例子。假设你让一个性格比较"刚"的后端工程师 Skill 帮你 Review 一段代码，他可能会先说"等等，这个接口的影响范围是什么？你背景没说清楚"，然后在看完代码后直接指出"N+1 查询问题，改掉。返回结构用统一的 {code, message, data} 格式，这是规范，不用问为什么。"
这种带有个人风格的回复，就是 Work Skill 和 Persona 协同工作的结果——既解决了问题，又"像"那个人。
如果你选择仅调用 Work Skill（通过 /{slug}-work 命令），得到的回复会是纯粹的技术分析，语气中性客观，类似一个通用的技术顾问。而如果你调用完整版（Work + Persona），同样的技术结论会被"包装"上这位同事独有的表达方式。这种灵活的调用模式非常实用——当你只需要技术答案时用 work 模式效率更高，当你想要体验"跟他讨论问题"的感觉时用完整模式更生动。
从底层实现来看，这种双层分离的架构设计还有一个实际好处：当目标同事在不同阶段的工作内容发生了较大变化（比如从后端转去做基础架构），你只需要更新 Work Skill 层，Persona 层可以保持不变，因为一个人的性格和表达风格通常不会因为工作内容的转变而有太大变化。反过来，如果你发现 Skill 的表达风格不够准确，也只需要调整 Persona 层，而不需要重新分析所有的工作素材。
数据从哪来？多源采集方案详解
一个 AI Skill 的质量，很大程度上取决于喂给它的原材料质量。colleague-skill 在数据采集这一环节下了不少功夫，支持的数据源覆盖了主流的办公场景。莫潇羽@源码七号站 把它们整理如下：
支持的数据源类型
即时通讯类：飞书消息记录（支持全自动采集、浏览器方案和 MCP 方案三种模式）、钉钉消息记录（全自动采集）、Slack 消息记录（全自动采集）、微信聊天记录（需借助第三方开源工具导出后导入）。
文档类：飞书文档及其链接、PDF 文档、各类会议纪要。
邮件类：支持 .eml 和 .txt 格式的邮件文件解析，自动提取目标同事作为发件人的内容。
其他类型：截图图片、手动输入的主观描述文字。
数据质量的优先级
项目文档中明确指出了一个重要原则：原材料质量决定 Skill 质量。在收集素材时，建议按照以下优先级来组织：
- 这位同事主动撰写的长文（如技术方案文档、设计评审文档）质量最高，因为这些内容最能体现他的深度思考
- 决策类的回复和讨论（如对技术方案的评审意见、对 Bug 的分析判断）次之
- 日常聊天消息的价值相对较低，但能帮助捕捉他的表达风格和人际交往模式
- 聊天记录加长文档的组合效果，远好于仅靠手动描述
这个优先级排序很有道理。一个人在写正式文档时会展现他的专业判断力和系统思维，而在日常聊天中更多展现的是性格特征和沟通习惯。两者结合，才能生成一个既有"实力"又有"个性"的 Skill。
莫潇羽@源码七号站 在实际测试中发现，如果只提供三五句描述性文字（比如"他是个做后端的，技术不错，人比较直"），生成的 Skill 会非常笼统，基本上跟一个通用的"后端工程师"角色差不多，缺乏辨识度。但如果你能提供他写过的一篇完整的技术方案文档，加上几十条工作群里的讨论记录，生成效果就会有质的飞跃——AI 会捕捉到他在技术选型时偏好稳定性还是性能、他习惯先给结论还是先铺陈分析过程、他跟不同层级的人沟通时语气有什么微妙的差异。
另一个实用的建议是：在收集素材时，特别留意那些存在分歧或讨论的场景。比如一次技术方案的评审会上，大家对某个设计点产生了争论，目标同事是怎么表达反对意见的？他用了什么样的论据？他最终是坚持己见还是做了妥协？这些场景是最能体现一个人真实风格的素材，对 Persona 层的建模价值极高。
飞书自动采集的配置要点
飞书是国内团队使用最广泛的协作平台之一，colleague-skill 对飞书的支持也最为完善。它提供了三种采集方案：
方案一：全自动采集（feishu_auto_collector.py）。这是最省事的方式，需要在飞书开放平台创建一个企业自建应用，获取 App ID 和 App Secret，然后将应用的 Bot 加入到相关的群聊中。配置完成后，脚本会自动拉取群聊中的历史消息。
方案二：浏览器方案（feishu_browser.py）。适合没有飞书开放平台权限的情况，通过模拟浏览器操作来抓取页面内容。
方案三：MCP 方案（feishu_mcp_client.py）。如果你的开发环境已经配置了飞书的 MCP Server，可以直接通过 MCP 协议来获取数据。
对于钉钉和 Slack，同样提供了全自动采集脚本，配置流程类似，都需要先创建应用并获取相应的凭证。详细的凭证配置说明可以在项目的 INSTALL.md 文件中找到。
微信聊天记录怎么处理？
微信由于其封闭的生态，不提供官方的消息导出接口。colleague-skill 的处理方式是：利用社区中现有的开源微信聊天记录导出工具，先将聊天记录导出为文本或 JSON 格式，然后再导入到 colleague-skill 中使用。项目文档中提到，微信的自动解密方案目前还不够稳定，推荐使用手动导出再导入的方式。
标签系统：用结构化的方式描述一个人
除了从原始素材中自动提取信息之外，colleague-skill 还提供了一套丰富的标签系统，让你可以用结构化的方式来补充描述目标同事的特征。这套标签系统分为三大类，莫潇羽@源码七号站 在这里帮大家做一个详细的梳理。
个性标签
这一类标签描述的是一个人在工作中表现出来的性格特征和行为模式。项目内置的标签包括但不限于：认真负责、完美主义、差不多就行、拖延症、向上管理专家、阴阳怪气、反复横跳、话少、只读不回，等等。
这些标签并不只是简单的文字标记，而是会被 Persona 分析器翻译成具体的行为指导写入到人格层中。比如当你选择了"完美主义"这个标签，生成的 Persona 可能会包含这样的行为描述：在 Review 代码时会关注命名是否精确、注释是否清晰、边界条件是否覆盖完整，对"差不多能用"的态度比较低容忍。
企业文化标签
这是 colleague-skill 一个很有意思的设计。不同公司的文化氛围确实会深刻影响一个人的工作方式和表达习惯，项目提供了主流互联网公司的文化标签：字节范、阿里味、腾讯味、华为味、百度味、美团味等，还有一些通用的文化标签如"第一性原理"、"OKR 狂热者"、"创业公司派"等。
选择了"字节范"的同事 Skill，在沟通时可能会更强调"context"和"impact"；选择了"阿里味"的可能会更习惯使用"抓手"、"赋能"这类表达；选择了"华为味"的可能在技术方案讨论中会更注重流程规范和文档完整性。
职级标签
项目还内置了主流公司的职级体系映射，方便你准确描述同事的级别：
- 字节跳动：2-1 到 3-3+
- 阿里巴巴：P5 到 P11
- 腾讯：T1 到 T4
- 百度：T5 到 T9
- 美团：P4 到 P8
- 华为：13 级到 21 级
这些职级信息不仅是一个简单的标记，它会影响 Persona 层对这位同事"看问题的高度"的建模。比如一个 P8 级别的架构师 Skill 和一个 P6 级别的开发工程师 Skill，在面对同一个技术决策问题时，给出的回答视角和深度会有明显差异。
所有这些标签都是可选的，你可以自由组合，也可以完全不选——系统支持仅凭一段自由文本描述来生成 Skill。但如果你能提供更多结构化的标签信息，生成的 Skill 质量通常会更好。
关于标签的使用，莫潇羽@源码七号站 有几点实践建议想分享。首先，不要贪多——一个人的性格特征固然是多面的，但选择过多的标签反而会让各个特征之间产生矛盾，导致 AI 在执行时无所适从。建议选择 3 到 5 个最突出的个性标签就够了，选那些你脑海中一想到这个人就立刻浮现出来的特质。
其次，企业文化标签要慎重使用。不是每个从字节出来的人都是典型的"字节范"，如果这位同事的工作方式并不符合其所在公司的主流文化，强行加上企业文化标签反而会引入噪音。只有当你觉得这位同事确实深受公司文化影响、他的工作方式带有明显的公司烙印时，才建议添加这个标签。
最后，自由文本描述区域是一个非常有价值的输入渠道。结构化标签能覆盖的只是一些典型的类别，但每个人都有自己独特的、无法用标准标签概括的特点。比如"他特别喜欢用类比来解释技术概念"、"每次开会他都会先画一个架构图"、"他对新技术的态度是谨慎乐观——愿意了解但不会急于在生产环境使用"。这些细腻的观察写在自由文本里，往往比勾选几个标签更能帮助系统理解这个人。
手把手教你安装和使用
说了这么多原理和架构，接下来进入实操环节。colleague-skill 目前主要支持两种运行环境：Claude Code 和 OpenClaw。下面分别讲解安装和使用的完整流程。
环境准备
在开始之前，请确保你的系统已经安装了以下基础工具：
- Git：用于克隆项目代码
- Python 3：如果你需要使用飞书、钉钉、Slack 等自动采集功能，需要安装 Python 依赖
- Claude Code 或 OpenClaw：作为 Skill 的运行环境
Claude Code 安装方式
Claude Code 会在项目的 .claude/skills/ 目录下查找可用的 Skill。安装时需要注意在 Git 仓库的根目录执行命令。
安装到当前项目（只在当前项目中可用）：
# 先确保在 git 仓库根目录
cd $(git rev-parse --show-toplevel)
# 创建 skills 目录并克隆项目
mkdir -p .claude/skills
git clone https://github.com/titanwings/colleague-skill .claude/skills/create-colleague安装到全局（所有项目都能使用）：
git clone https://github.com/titanwings/colleague-skill ~/.claude/skills/create-colleagueOpenClaw 安装方式
OpenClaw 的 Skill 目录位于 ~/.openclaw/workspace/skills/：
git clone https://github.com/titanwings/colleague-skill ~/.openclaw/workspace/skills/create-colleague安装完成后重启 OpenClaw 的会话即可生效。
安装 Python 依赖（可选）
如果你计划使用飞书、钉钉、Slack 的自动采集功能，还需要安装 Python 依赖包：
cd ~/.claude/skills/create-colleague # 或你的安装路径
pip3 install -r requirements.txt飞书和钉钉的自动采集需要额外配置应用凭证（App ID、App Secret 等），具体的配置步骤请参考项目中的 INSTALL.md 文件，里面有非常详细的图文说明。
这里简单梳理一下飞书自动采集的配置流程，方便大家提前了解需要做的准备工作：
首先，你需要登录飞书开放平台（open.feishu.cn），创建一个企业自建应用。在应用的权限管理页面，需要开通"获取群组消息"相关的 API 权限。然后记下应用的 App ID 和 App Secret，这两个凭证会在运行采集脚本时用到。
接下来，你需要在飞书的管理后台将这个应用发布上线（至少发布为测试版本），然后将应用的 Bot 机器人添加到你想要采集消息的群聊中。只有 Bot 在群内的情况下，采集脚本才能获取到群聊的历史消息。
配置完成后，首次运行采集脚本时，脚本会提示你输入 App ID 和 App Secret，验证通过后会自动保存到本地配置文件中（路径通常是 ~/.colleague-skill/feishu_config.json），后续运行就不需要重复输入了。
Slack 的配置流程与飞书类似，也需要创建一个 Slack App 并获取 Bot Token。脚本首次运行时会验证 Token 并显示你的工作空间名称和 Bot 名称，确认无误后配置会自动保存。
钉钉的自动采集同样需要在钉钉开放平台创建应用并配置相关权限。由于不同平台的权限模型有所差异，具体的操作步骤建议直接参考 INSTALL.md 中对应平台的章节，里面有截图和步骤编号，跟着操作即可。
验证安装是否成功
安装完成后，可以通过以下命令验证各个工具是否正常工作：
cd ~/.claude/skills/create-colleague
# 测试飞书解析器
python3 tools/feishu_parser.py --help
# 测试 Slack 采集器
python3 tools/slack_auto_collector.py --help
# 测试邮件解析器
python3 tools/email_parser.py --help
# 列出已创建的同事 Skill
python3 tools/skill_writer.py --action list --base-dir ./colleagues如果所有命令都能正常返回帮助信息，说明安装没有问题。
除了命令行验证之外，你还可以直接在 Claude Code 中输入 /create-colleague，如果系统能够正常启动对话式录入流程并显示第一个引导问题（通常是询问同事的称呼），就说明 Skill 已经被正确识别和加载了。如果输入命令后没有反应或报错，最常见的原因是项目没有克隆到正确的目录位置——请检查 .claude/skills/ 路径是否在当前 Git 仓库的根目录下。
创建你的第一个同事 Skill
安装完成后，就可以开始创建同事 Skill 了。整个过程是交互式的，系统会引导你一步步输入信息。
启动创建流程
在 Claude Code 或 OpenClaw 中输入：
/create-colleague系统会启动一个对话式的信息录入流程，总共需要回答大约三个核心问题，每个问题都可以跳过。
Step 1：基础信息录入
系统会依次询问以下信息：
同事称呼：可以是花名、昵称、代号，多个字用短横线连接。比如 qing-yun 或 lao-wang。这个称呼会成为后续调用 Skill 时的触发词（slug）。
基本信息描述：用一句话描述他的公司、职级、职位等。比如"字节 2-1 后端工程师 男"。系统会自动从你的描述中解析出公司、职级、职位、性别等字段。
个性与印象：这是一个自由文本区域，你可以输入 MBTI 类型、星座、前面提到的各种个性标签和企业文化标签，以及你对他的主观印象。比如"INTJ，完美主义，字节范，做事特别靠谱但说话有点直，不太顾及别人感受"。
Step 2：数据导入
基础信息填完后，系统会提示你导入原始素材。你可以选择：
- 直接粘贴聊天记录文本
- 导入飞书文档链接或导出文件
- 导入飞书消息的 JSON 导出
- 导入
.eml格式的邮件文件 - 上传截图图片
- 导入会议纪要文档
- 使用自动采集功能（需要预先配置好凭证）
这一步也可以跳过，后续随时可以追加新的素材。
需要注意的是，不同类型的素材在导入时的处理方式是不同的。文本类的素材（聊天记录、邮件正文、文档内容）会被直接送入分析流程。截图类的素材会先经过图像理解提取出其中的文字和上下文信息，然后再进入分析流程。PDF 文档会被解析提取文本内容。对于飞书和钉钉的自动采集，系统会自动过滤掉系统消息、表情回复等低价值内容，只保留有实质性内容的消息和文档。
如果你手头有多种类型的素材，建议在同一次创建流程中一起导入，这样分析器可以交叉验证不同来源的信息，生成更准确的 Skill。当然，分批导入也完全没问题，系统的增量 merge 机制会负责将新的分析结果融合到已有的 Skill 中。
Step 3：自动分析与生成
导入素材后，系统会自动进行双线分析：
分析线路 A 负责从素材中提取技术能力、工作规范、业务知识等内容，生成 Work Skill。
分析线路 B 负责从素材中提取表达风格、决策模式、人际行为等特征，生成 Persona。
分析完成后，系统会展示一个预览摘要，类似这样的格式：
Work Skill 摘要：
- 负责：后端服务架构、API 设计
- 技术栈：Go, Python, MySQL, Redis
- CR 重点：N+1 查询、错误处理、返回结构规范
Persona 摘要：
- 核心性格：完美主义、技术洁癖
- 表达风格：直接、简洁、不绕弯子
- 决策模式：数据驱动，保守偏好你可以在这里确认或要求调整，确认后系统就会写入文件。
生成的文件结构
每个同事 Skill 会生成一个独立的目录，包含以下文件：
colleagues/lao-wang/
├── SKILL.md # 完整组合版（Work + Persona），可直接运行
├── work.md # Part A：工作能力（可独立运行）
├── persona.md # Part B：人物性格（可独立运行）
├── meta.json # 元数据（姓名、职级、标签、版本等）
├── versions/ # 版本存档目录
└── knowledge/ # 知识素材存档
├── docs/ # 文档类素材
├── messages/ # 消息类素材
└── emails/ # 邮件类素材其中 SKILL.md 是核心文件，它包含了完整的运行规则：先由 Persona 判断态度，再由 Work Skill 执行任务，最后用 Persona 的表达风格输出结果。Layer 0 的硬规则拥有最高优先级，任何情况下都不会被违背。
日常使用：调用与管理
Skill 创建完成后，日常使用非常简单。莫潇羽@源码七号站 把常用的命令整理在这里，方便你随时查阅。
调用同事 Skill
完整调用（Persona + Work 组合运行）：
/lao-wang然后你就可以像跟真人聊天一样，向这个 Skill 提问或分配任务了。
仅调用工作能力（不带人格特征，纯技术回答）：
/lao-wang-work仅调用人物性格（不执行具体任务，只模拟人格回复）：
/lao-wang-persona管理命令
列出所有已创建的同事 Skill：
/list-colleagues回滚到历史版本：
/colleague-rollback lao-wang v2删除一个同事 Skill：
/delete-colleague lao-wang实际使用效果示例
为了让你对实际效果有个直观感受，这里引用项目 README 中提供的两个对话示例。
场景一：请求 Code Review
用户 ❯ 帮我看一下这个接口设计
同事.skill ❯ 等等，这个接口的 impact 是什么？背景没说清楚。
（看完后）N+1 查询，改掉。返回结构用统一的 {code, message, data}，
这是规范，不用问为什么。场景二：被追问 Bug 归属
用户 ❯ 这个 bug 是你引入的吧
同事.skill ❯ 上线时间对上了吗？那个需求改了好几个地方，
还有其他变更。可以看到，生成的回复不仅包含了专业的技术判断，还带有明显的个人风格——比如先反问背景、用断言式的语气给出结论、面对质疑时先要求对方提供证据而不是直接承认。这些都是 Persona 层在发挥作用。
进化机制：越用越像
colleague-skill 不是一个静态的系统，它设计了一套完整的进化机制，让生成的 Skill 能够随着使用不断迭代和完善。这是这个项目特别值得称道的一点。
追加素材自动更新
当你后续获得了更多关于这位同事的素材（比如翻到了他之前写的一篇技术博客，或者找到了一段之前没导入的聊天记录），你可以随时追加导入。系统会自动分析增量内容，然后将新提取的信息 merge 进对应的 Work Skill 或 P
