让 Agent 自己检查代码?这在生产环境行不通。GitHub 给出了带 7 个人工卡点的 Agent Skill 解法。
这套规范把重复性指令从聊天记录里抽离出来,变成版本化的目录结构。对一线部署团队来说,这意味着你今晚写的验证逻辑,明天就能直接塞进整个团队的数据管道里,不用每个人都在 prompt 里重新解释一遍业务规则。
核心看点
- Agent Skill 以 SKILL.md 为核心,定义可重复任务,环境提供工具和权限。
- Proof Agent 引入独立验证器,打破自我验证,返回 PASS/FAIL/PARTIAL 并附带证据。
- Data Forge 示例展示 7 个阶段的人工卡点,通过 manifest 隔离项目配置与团队标准。
▎拆解 Agent Skill 的底层逻辑
Agent Skill 本质上是一个版本化的目录,核心是描述何时以及如何执行可重复任务的 SKILL.md 文件。它负责说明怎么查询数据库,但不会直接授予数据库访问权限。环境依然需要提供工具、凭据和权限。在 Proof Agent 的设计中,核心规则非常明确:自我验证不是验证。如果同一个 Agent 既生成代码又评估自己的工作,它的解释会直接影响审查结果。因此,Proof Agent 使用独立的验证器来检查变更,并提供发现结果的证据。验证器会返回 PASS、FAIL 或 PARTIAL,且必须在变更文件中引用证据。
在 Data Forge 的 support-desk 管道示例中,这种设计被放大到了整个工作流。forge-init 负责发现源表和命名约定并写入 manifest,forge-builder 协调从 issue 到 pull request 的工作,forge-dbx 查询数据平台,forge-lint 应用团队标准。每个 Skill 都有明确的责任,它们共享项目上下文,而不是独立重新发现上下文。
这里需要明确一个决策框架:什么时候该用 Skill,什么时候该写传统 Application?如果工作流需要稳定的接口、共享状态、审计追踪、长时间控制或模型外强制的权限,Application 是更好的选择。Skill 适合有界、可重复、受益于可复用判断的工作,比如检查清单、发布、迁移或指标管道。如果你在做需要强事务一致性的金融数据对账,老老实实写 Application 走微服务;如果是做代码规范检查、文档生成、数据清洗这种经验驱动的任务,用 Skill 把 prompt 和上下文固化下来,ROI 最高。
▎多客户端兼容与打包参数
支持多个客户端意味着要保持多份相同指令的同步。在 Data Forge 示例中,团队将 skills/*/SKILL.md 作为源文件,使用打包脚本生成特定于客户端的文件。具体路径映射如下:
Claude Code: .claude-plugin/plugin.json
Cursor: .cursor-plugin/plugin.json
GitHub Copilot: .github/agents/*.agent.md
CI 检查模式: node scripts/package.mjs --check
跨客户端打包看似美好,但坑在环境差异。原文指出,manifest 可以选择 DuckDB 作为本地演示引擎,但它不能安装 DuckDB CLI 或授予数据库访问权限。这里的失败条件很明确:Skill 只管指令,不管基建。如果你把数据库连接字符串硬编码在 SKILL.md 里,换个环境直接报错。必须严格遵循 manifest 选引擎、host 提供访问的原则。另外,不同客户端的模型能力、工具调用支持度不同,打包后必须在 CI 里跑 --check,否则在 Cursor 里跑通的逻辑,切到 Claude Code 可能会因为工具链缺失直接卡死。
▎实操资源与落地路径
以下是原文提供的所有实操资源与代码仓库链接,建议直接 clone 下来对照 manifest 结构进行本地调试:
GitHub Universe 2026 会话目录:
https://reg.githubuniverse.com/flow/github/universe26/attendee-portal/page/sessioncatalog?search=BLD1787B
Proof Agent 演示目录:
https://github.com/githubevents/build-once-run-on-any-agent/tree/main/demos/proof-agent
Proof Agent SKILL.md 定义:
https://github.com/githubevents/build-once-run-on-any-agent/blob/main/demos/proof-agent/SKILL.md
Data Forge 演示目录:
https://github.com/githubevents/build-once-run-on-any-agent/tree/main/demos/dataforge
Support-desk 管道 DEMO 说明:
https://github.com/githubevents/build-once-run-on-any-agent/blob/main/demos/dataforge/examples/support-desk/DEMO.md
Data Forge manifest 配置示例:
https://github.com/githubevents/build-once-run-on-any-agent/blob/main/demos/dataforge/examples/support-desk/dataforge.manifest.yaml
Data Forge Skills 详细说明:
https://github.com/githubevents/build-once-run-on-any-agent/blob/main/demos/dataforge/README.md#the-skills
把业务上下文塞进一个 manifest 文件,让 Skill 去读取,这是防止 prompt 膨胀的有效手段。但在实际落地时,最容易踩的坑是把发现的代码模式直接当成团队标准。原文特别强调,仓库里现有的模式不等于必须保留的规则。在 forge-init 发现细节后,必须让人类去确认或修改,再交给 forge-lint 执行。别指望 Agent 能自动分辨什么是历史包袱,什么是最佳实践。把判断权留在人类手里,用 CI 检查去兜底,才是这套机制能长期跑下去的前提。
点个赞再走?
你主力用哪个 Agent 框架?最坑的上下文丢失是哪次?
本文依据以下公开报道整理:
来源:GitHub Blog
原文链接:https://github.blog/ai-and-ml/github-copilot/build-once-run-on-any-agent-a-practical-guide-to-agent-skills/
往期推荐
- ·Claude Duet 早 7 点催稿翻车,全量 Agent 缺常识
- ·百亿收购 Hugging Face 悬了,Nvidia 开源战略生变
- ·单节点 630 吞吐,17B 激活参数模型重写部署门槛
点击公众号头像 → 历史消息,可翻阅以上文章