create-colleague

Überblick über den create-colleague Skill

Was der create-colleague Skill macht

Der create-colleague Skill verwandelt die Artefakte einer realen Kollegin oder eines realen Kollegen in einen wiederverwendbaren AI Skill. Seine Kernaufgabe ist nicht das generische Schreiben einer Biografie, sondern die Verdichtung davon, wie jemand arbeitet, kommuniziert und Entscheidungen trifft, damit sich aus Dokumenten, Chats, Screenshots, E-Mails und Workplace-Plattformen wie Feishu und DingTalk ein nutzbares Kollaborationsprofil nachbilden lässt.

Für wen sich create-colleague lohnt

Am besten passt das für Nutzer von Skill Authoring, die operatives Know-how bewahren möchten, wenn ein Teammitglied das Team verlässt, intern wechselt oder Arbeit übergibt. Besonders relevant ist es, wenn in eurem Team bereits verstreute Spuren über verschiedene Workplace-Tools hinweg existieren und ihr etwas Strukturierteres wollt als „schreib mir einen Prompt, der wie diese Person klingt“.

Was create-colleague von einem normalen Prompt unterscheidet

Ein einfacher Prompt kann Tonfall imitieren. Der create-colleague skill zielt dagegen auf zwei klar getrennte Ergebnisse: einen Work Skill für die eigentliche Aufgabenausführung und eine Persona-Ebene für den Kommunikationsstil. Das Repo enthält außerdem Ingestion-Pfade für Feishu, DingTalk, E-Mail und dateibasierte Eingaben. Dadurch ist es in der Praxis deutlich belastbarer, als zufällige Snippets manuell in einen Chat zu kopieren.

Worauf Nutzer vor der Installation achten

Die meisten Entscheidungen für oder gegen eine Einführung hängen an vier Fragen: ob euer Quellmaterial unterstützt wird, ob die Installation an eine bestimmte Agent-Umgebung gebunden ist, ob sich das erzeugte Ergebnis nach dem ersten Durchlauf bearbeiten lässt und ob es sich über die Zeit weiterentwickeln kann. In diesen Punkten ist create-colleague besonders stark in Claude-Code-artigen Skill-Workflows, unterstützt sowohl automatisierte als auch manuelle Erfassungspfade und enthält ausdrücklich Update-/Weiterentwicklungs-Flows für Korrekturen und neue Dateien.

Geeignete und ungeeignete Einsatzfälle für create-colleague

Setzt create-colleague ein, wenn ihr Belege dafür habt, wie eine Person tatsächlich gearbeitet hat: Nachrichtenverläufe, Dokumente, E-Mails, Screenshots oder schriftliche Beschreibungen. Lasst es aus, wenn ihr nur eine fiktive Persona, eine leichte einmalige Stilimitation oder ein generisches Rollen-Template für ein Team braucht. Dieser Skill dient der fundierten Verdichtung realer Arbeitsweise, nicht dem Rollenspiel auf dünner Datengrundlage.

So verwendest du den create-colleague Skill

create-colleague im richtigen Skill-Verzeichnis installieren

Die eigene Installationsanleitung des Repos basiert auf git clone, nicht auf npx. Für Claude Code installierst du es als create-colleague entweder im projektlokalen oder im globalen Skills-Verzeichnis:

# project-local
mkdir -p .claude/skills
git clone https://github.com/titanwings/colleague-skill .claude/skills/create-colleague

# or global
git clone https://github.com/titanwings/colleague-skill ~/.claude/skills/create-colleague

Für OpenClaw:

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

Das ist wichtig, weil Trigger des Skills und Pfade für generierte Ausgaben ein installiertes Skill-Verzeichnis mit genau diesem Namen voraussetzen.

Vor dem Testen der Collector-Abhängigkeiten installieren

Der praktische create-colleague install-Pfad hängt davon ab, welche Quellen du nutzen willst. Grundvoraussetzung ist Python 3.9+. Optionale Pakete schalten bessere Ingestion-Pfade frei:

pip3 install pypinyin
pip3 install playwright
playwright install chromium
npm install -g feishu-mcp
pip3 install python-docx openpyxl

Wenn du diese Schritte auslässt, kann der Skill weiterhin mit manuellen Uploads und Texteingaben funktionieren, aber einige automatisierte Sammel- und Dateikonvertierungspfade stehen dann nicht zur Verfügung.

Den Skill mit dem echten Trigger starten

In unterstützten Agent-Umgebungen rufst du ihn mit /create-colleague auf. Das Repo dokumentiert außerdem natürlichsprachliche Trigger, etwa die Aufforderung, einen Colleague Skill zu erstellen, sowie Update-Flows wie /update-colleague {slug} und /list-colleagues. Wenn dein Testplan lautet „installieren und dann prüfen, ob er sauber anspringt“, solltest du genau dieses Trigger-Verhalten zuerst verifizieren.

Welche Eingaben create-colleague braucht

Die besten Ergebnisse entstehen aus der Kombination von zwei Eingabeklassen:

1. strukturierten Basisinformationen über die Person
2. Belegen dafür, wie sie arbeitet

Der Workflow fragt nach Grundlagen wie Name, Rolle, Level, Unternehmenskontext, Persönlichkeits-Hinweisen und deinem subjektiven Eindruck. Danach verarbeitet er Materialien wie Feishu-Nachrichten, DingTalk-Dokumente, exportiertes JSON, E-Mails, Screenshots, PDFs, Markdown oder eingefügten Text. Wenn du nur demografische oder rollenbezogene Angaben ohne Arbeitsartefakte lieferst, solltest du mit eher oberflächlichen Ergebnissen rechnen.

Aus einer groben Anfrage einen starken create-colleague Prompt machen

Eine schwache Anfrage wäre: „Make a skill for Alice.“

Ein stärkerer create-colleague usage-Prompt enthält:

• wer die Person ist
• welche Art von Arbeit sie gemacht hat
• welche Materialien du hast
• worin der generierte Skill gut sein soll
• wo das stärkste Signal liegt
• was nicht inferiert werden soll

Beispiel:

/create-colleague

Name: Alice
Role: Staff backend engineer
Company context: B2B SaaS, billing platform
What I need: a skill that reproduces her incident response style, API review standards, and communication tone with PMs
Sources: 2 Feishu doc links, 1 exported message JSON, 6 screenshots of architecture notes, 3 handoff emails
Important: prioritize technical judgment and escalation habits over personality mimicry
Do not infer management style from jokes or casual chat

Diese Art von Prompt reduziert Overfitting auf bloßen Oberflächen-Ton und verbessert die Trennung zwischen Arbeitsweise und Persona.

Den passenden Erfassungspfad wählen

Das Repo bietet mehrere Source-Pipelines, und die richtige Wahl beeinflusst Aufwand und Zuverlässigkeit:

• tools/feishu_auto_collector.py: am besten, wenn ihr Feishu-App-Credentials habt
• tools/feishu_browser.py: sinnvoll für interne Dokumente hinter Browser-Login
• tools/feishu_mcp_client.py: für Feishu-Dokumentzugriff über tokenbasierten Flow
• tools/dingtalk_auto_collector.py: Erfassungspfad für DingTalk
• tools/email_parser.py: für .eml oder .mbox
• tools/feishu_parser.py: Parsing exportierter Feishu-JSON-Dateien

Wenn euer Team keine App-Credentials freigeben kann, sind Browser- oder manuelle Dateipfade oft der realistischere Einstieg.

Diese Dateien zuerst lesen

Wenn du die Eignung schnell bewerten willst, lies in dieser Reihenfolge:

1. SKILL.md für Trigger-Logik, erlaubte Tools und Workflow
2. INSTALL.md für das tatsächliche Environment-Setup und die Wahl der Abhängigkeiten
3. README_EN.md für unterstützte Quellen und das nutzerseitige Framing
4. docs/PRD.md für das beabsichtigte Ausgabemodell und den Weiterentwicklungs-Flow
5. Dateien unter prompts/, wenn du das Analyseverhalten anpassen willst

Mit diesem Pfad kommst du deutlich schneller zu einer belastbaren Installationsentscheidung, als wenn du wahllos durch den Repo-Baum klickst.

Die Struktur der generierten Ausgabe verstehen

Das Produktdesign des Repos trennt die Ausgabe in:

• einen Work Skill
• eine Persona
• ein kombiniertes Ergebnis im SKILL.md-Stil zur direkten Nutzung

Diese Trennung ist für die Einführung wichtig. Wenn du vor allem wissen willst, „wie löst diese Person Arbeit“, kannst du den Einfluss der Persona geringer halten. Wenn du authentischere Kommunikation willst, kannst du die Persona-Belege stärker gewichten. Der Skill ist nützlicher als ein einzelner vermischter Prompt, weil er Fähigkeiten und Stil als unterschiedliche Signale behandelt.

Bei create-colleague mit Iterationen rechnen

Ein gutes create-colleague guide-Mindset ist, den ersten Durchlauf als Entwurfsfassung zu behandeln. Der Skill unterstützt einen „evolution mode“, wenn du Dateien ergänzt, Aussagen korrigierst oder das Verhalten nach einem Review verfeinerst. Für echte Verdichtung von Arbeitsweise im Unternehmenskontext passt das deutlich besser, als am ersten Tag einen perfekten One-Shot-Prompt erzwingen zu wollen.

Praktische Tipps für bessere Ausgabequalität

Signalstarke Eingaben sind:

• entscheidungslastige Gespräche, nicht nur sozialer Small Talk
• Dokumente mit expliziten Standards, Trade-offs oder Review-Kommentaren
• Beispiele aus mehreren Aufgabenbereichen statt nur eines isolierten Artefakts
• deine eigenen Korrekturen dazu, was die Person niemals tun würde

Signalärmere Eingaben sind:

• nur Screenshots ohne Kontext
• nur schmeichelhafte Beschreibungen
• nur formale Dokumente ohne Hinweise auf Entscheidungsstil
• gemischte Materialien mehrerer Personen ohne Kennzeichnung

Wo die Ausgaben geschrieben werden und warum das relevant ist

Die Installationsdokumentation weist darauf hin, dass generierte Colleague Skills in Claude-Code-orientierten Setups standardmäßig unter ./colleagues/ geschrieben werden. Das ist operativ relevant: Vor dem Rollout solltet ihr festlegen, ob generierte Skills ins Repo, in einen gemeinsam genutzten internen Workspace oder in persönliche Umgebungen gehören. Teams unterschätzen oft den Pflegeaufwand generierter Skills.

FAQ zum create-colleague Skill

Ist create-colleague für Skill-Authoring-Einsteiger geeignet?

Ja, wenn du bereits einen repo-basierten Skill installieren und Quellenmaterial bereitstellen kannst. Der Workflow ist geführt, aber keine Consumer-App mit einem Klick. Die Ergebnisse werden deutlich besser, wenn du Datenquellen bewusst auswählen und generierte Ausgaben kritisch prüfen kannst.

Ist create-colleague besser als ein gewöhnlicher Prompt?

Meist ja, wenn das eigentliche Problem darin besteht, Arbeitsmuster eines Teammitglieds zu bewahren, statt nur dessen Stimme zu imitieren. Der Mehrwert kommt aus strukturierter Intake-Logik, unterstützten Collectors, getrennter Generierung von Arbeit/Persona und einem expliziten Update-Pfad. Wenn du nur „schreib in einem direkten Stil“ brauchst, reicht ein normaler Prompt oft aus.

Welche Arten von Quellmaterial funktionieren am besten?

Am besten funktioniert eine Mischung aus aufgabenbezogenem Material: Nachrichten-Threads zu Entscheidungen, Review-Kommentare, interne Dokumente, Prozessnotizen, Handover-E-Mails und Beispiele für Trade-off-Abwägungen. Reine Persönlichkeitsdaten reichen nicht aus, wenn der generierte Skill Arbeit glaubwürdig ausführen soll.

Benötigt create-colleague zwingend Feishu oder DingTalk?

Nein. Das sind wichtige Erfassungsoptionen, aber keine harten Voraussetzungen. Du kannst auch PDFs, Markdown, Screenshots, E-Mails, eingefügten Text und exportierte Dateien verwenden. Dadurch ist der Skill auch außerhalb eines strikt Feishu-zentrierten Workflows einsetzbar.

Wann sollte ich create-colleague nicht installieren?

Wähle es nicht, wenn du nur ein einfaches Stil-Preset, eine fiktive Figur oder eine garantiert genaue Simulation einer Person auf Basis dünner Evidenz brauchst. Lass es auch aus, wenn deine Umgebung die nötige Skill-Tooling-Kette nicht ausführen kann oder wenn euer Datenzugriffsmodell den Export bzw. die Erfassung der benötigten Materialien verhindert.

Kann ich einen generierten Colleague nach der ersten Version aktualisieren?

Ja. Das Repo unterstützt ausdrücklich das Anhängen weiterer Dateien, das Korrigieren falscher Inferenzen und die Weiterentwicklung eines bestehenden generierten Colleague. Das ist einer der stärksten Gründe, create-colleague einem statischen, handgebauten Prompt vorzuziehen.

So verbesserst du den create-colleague Skill

create-colleague mit Belegen füttern, nicht nur mit Adjektiven

Der schnellste Weg zu besseren create-colleague-Ergebnissen ist, Labels wie „sehr gründlich“ oder „etwas scharf im Ton“ durch belastbare Belege zu ersetzen:

• Review-Kommentare, die die Person immer wieder macht
• Beispiele für akzeptierte vs. abgelehnte Arbeit
• Dokumente, die ihre typische Struktur zeigen
• Eskalationsnachrichten während Incidents
• Formulierungen, die sie bei Unsicherheit verwendet

Belege machen den generierten Work Skill handlungsnäher und die Persona weniger karikaturenhaft.

Skill-Signale und Persönlichkeits-Signale trennen

Nutzer vermischen oft „was die Person weiß“ mit „wie sie klingt“. Bessere Ergebnisse entstehen, wenn du Inputs explizit markierst:

• Work-Inputs: Spezifikationen, Code-Review-Notizen, Runbooks, Architekturkommentare
• Persona-Inputs: Chat-Ton, Konfliktstil, Humor, Arten des Widerspruchs

So kann der Skill Work- und Persona-Ausgaben sauberer auseinanderhalten, statt nur eine vage Imitation zu erzeugen.

Zuverlässigkeit der Quellen kennzeichnen

Nicht alle Eingaben sollten gleich stark gewichtet werden. Teile dem Skill mit, welche Materialien kanonisch, aktuell oder verrauscht sind. Zum Beispiel:

• „These review comments reflect current standards“
• „These 2022 chats are outdated“
• „This screenshot is second-hand and may be inaccurate“

Das reduziert schlechte Inferenzen und hilft create-colleague, bessere Evidenz zu priorisieren.

Den ersten Entwurf mit konkreten Patches korrigieren

Wenn die erste Ausgabe falsch liegt, sag nicht nur „das fühlt sich unpassend an“. Bessere Korrekturen sind zum Beispiel:

• „He prefers rollback first, not hotfix-in-place“
• „She is concise with peers but much more explanatory with junior engineers“
• „Do not make him sound sarcastic in formal docs“
• „Her strongest skill is requirements clarification, not system design“

Solche gezielten Patches lassen sich leichter in die nächste Version übernehmen als vage Unzufriedenheit.

Bei Anpassungen die Prompt-Dateien nutzen

Das Verzeichnis prompts/ lohnt sich, wenn du ändern willst, wie der Skill Evidenz analysiert oder zusammenführt. Dateien wie intake.md, work_analyzer.md, persona_analyzer.md, work_builder.md, persona_builder.md, merger.md und correction_handler.md zeigen, wo die Ausgabequalität tatsächlich geformt wird. Genau hier solltest du nachsehen, wenn die Standardbalance zwischen Work und Persona nicht zu deinem Einsatzfall passt.

Häufige Fehlermuster im Blick behalten

Die wichtigsten Qualitätsrisiken sind:

• Tonfall zu stark zu gewichten und echte Arbeitsfähigkeit zu wenig aufzubauen
• aus spärlichen oder verzerrten Materialien zu viel abzuleiten
• mehrere Kolleginnen oder Kollegen zu einem Profil zu verschmelzen
• alte Artefakte als aktuelles Verhalten zu behandeln
• Unternehmensprozess mit persönlichem Stil zu verwechseln

Das sind keine abstrakten AI-Probleme, sondern die praktischen Gründe, warum ein generierter Colleague unecht oder unbrauchbar wirkt.

create-colleague verbessern, indem der Job-to-be-done enger gefasst wird

Wenn sich dein erster Durchlauf zu breit anfühlt, grenze das Ziel stärker ein. Bitte zunächst um einen Colleague Skill, der auf einen Bereich optimiert ist, etwa Incident Response, Architektur-Review, Customer Escalation oder PM-Kommunikation. Ein engeres Anfangsziel liefert oft ein glaubwürdigeres und nützlicheres Ergebnis, als zu versuchen, auf einmal einen ganzen Menschen nachzubauen.

Vor dem Team-Rollout einen Review-Loop aufbauen

Wenn der generierte Skill von anderen genutzt werden soll, lass ihn von jemandem prüfen, der eng mit der ursprünglichen Person zusammengearbeitet hat. Diese Person sollte validieren:

• was der Skill auf jeden Fall können soll
• was er niemals behaupten darf
• welche Situationen eine Eskalation erfordern
• ob der Kommunikationsstil genau genug ist, um nützlich zu sein

Das ist der sicherste Weg, create-colleague for Skill Authoring in realen Team-Settings zu verbessern.

Den Installationspfad langfristig wartbar halten

Für eine bessere langfristige Nutzung solltet ihr standardisieren, wo generierte Colleagues liegen, wie Updates versioniert werden und welche optionalen Collectors euer Team offiziell unterstützt. Ein Skill, der nur auf dem Laptop einer einzelnen verantwortlichen Person funktioniert, ist schwerer zu vertrauen als ein Setup mit klarer Installations- und Update-Policy.

Der einfachste Weg zu besserer create-colleague Nutzung

Wenn du nur eine praktische Regel mitnehmen willst: lieber weniger, aber bessere Artefakte bereitstellen, sauber beschriften und dann mit gezielten Korrekturen iterieren. Das ist der Hebel mit der größten Wirkung, um sowohl die generierte Ausgabe als auch die gesamte create-colleague usage-Erfahrung zu verbessern.