راهنمای گیت‌هاب برای ساخت مهارت‌های ایجنت هوش مصنوعی

بر اساس گزارش وبلاگ مهندسی گیت‌هاب (GitHub Engineering Blog)، تیم‌های فنی با چالش توضیح مکرر تسک‌ها به ایجنت‌های هوش مصنوعی یا اتکا به دانش ضمنی افراد مواجه‌اند. مهارت‌های ایجنت (Agent Skills) دستورالعمل‌های مهندسی تکرارپذیر را در قالب فایل‌های قابل‌بررسی و استفاده مجدد ثبت می‌کنند؛ در حالی که ابزارها، بستر پروژه و مجوزهای دسترسی همچنان وابسته به میزبان اجراکننده باقی می‌مانند.

ساختار مهارت ایجنت و فایل SKILL.md

یک مهارت ایجنت دایرکتوری نسخه‌بندی‌شده‌ای حول یک فایل مرکزی به نام 'SKILL.md' است که زمان و شیوه انجام کار تکرارپذیر را تعریف می‌کند. این دستورالعمل‌ها میان ایجنت‌ها به اشتراک گذاشته می‌شوند، اما محیط میزبان باید ابزارها، اعتبارسنجی و مجوزها را فراهم سازد. به عنوان نمونه، مهارت روش کوئری زدن دیتابیس را توصیف می‌کند اما دسترسی به دیتابیس صادر نمی‌کند.

یک مهارت باید وظیفه، ورودی و خروجی شفاف داشته باشد. در نمونه 'Proof Agent' که تغییرات کدهای تولیدشده با هوش مصنوعی را بازبینی می‌کند، یک ارزیاب مستقل (verifier) جدا از ایجنت کدنویس وظیفه بررسی ادعاهای نادرست، کد خراب و باگ‌های امنیتی را بر عهده دارد. فرانت‌متر این مهارت به این صورت تعریف می‌شود:

---
name: proof-agent
description: Adversarial verification of AI-generated work. Spawns an independent verifier to check for false claims, broken code, and security issues.
---

قاعده اصلی این سامانه این است: خودارزیابی، اعتبارسنجی واقعی نیست. بخش 'When to Verify' زمان فراخوانی را مشخص می‌کند و دستورالعمل‌ها شواهد لازم را توضیح می‌دهند.

هماهنگی چند مهارت در Data Forge

نمونه 'Data Forge' برای خطوط داده (data pipeline) پیاده‌سازی شده است. در پایپ‌لاین پیشخوان پشتیبانی (support-desk)، مهارت 'forge-init' ساختار جداول منبع و الگوهای نام‌گذاری را شناسایی کرده و در یک فایل 'manifest' می‌نویسد. سپس مهارت 'forge-builder' هماهنگی امور از مرحله ایشو تا پول ریکوئست را به دست می‌گیرد. این مهارت با 'forge-dbx' کوئری می‌زند و از طریق 'forge-lint' استانداردهای تیم را اعمال می‌کند.

تفکیک وظایف موجب می‌شود در صورت تغییر یک بخش، فقط همان مهارت ویرایش شود. مهارت‌ها برای فرآیندهای تکرارپذیر و محدود نظیر چک‌لیست‌ها، انتشارها و مایگریشن مناسب‌اند؛ اما فرآیندهایی با استیت مشترک، لاگ بازرسی و کنترل طولانی‌مدت به نرم‌افزار سنتی نیاز دارند.

جداسازی پیکربندی و مسیرهای مشترک اجرایی

نام پروژه‌ها یا کانفیگ دیتابیس نباید هاردکد شود. مانیفست جزئیات پلتفرم و شاخص‌ها را نگه‌داری می‌کند تا سایر مهارت‌ها فرضیه‌سازی نکنند. مهارت 'forge-dbx' دسترسی واحد به پلتفرم داده ایجاد می‌کند و بر اساس مانیفست میان آداپتورهای 'Databricks' یا 'DuckDB' سوییچ می‌کند. با این حال مانیفست نمی‌تواند DuckDB CLI را نصب کند یا دسترسی بدهد؛ انتخاب موتور با مانیفست و اعطای دسترسی بر عهده میزبان است.

نقاط تایید انسانی و پکیج‌کردن کلاینت‌ها

فرآیند پیشخوان پشتیبانی Data Forge شامل هفت مرحله با چک‌پوینت انسانی است. در بررسی کد توسط 'Proof Agent'، گیت‌هاب اکشنز (GitHub Actions) متن درخواست اولیه و دیف کد را بدون بررسی ایجنت اصلی به ارزیاب می‌دهد. ارزیاب مقادیر 'PASS'، 'FAIL' یا 'PARTIAL' را همراه با ارجاع شواهد ثبت می‌کند. بازبینی فقط به صورت استاتیک بوده و کدی اجرا نمی‌شود. در دمو فلگ 'block-on-fail: false' به کار رفته، اما به صورت پیش‌فرض وضعیت FAIL ادغام کد را مسدود می‌کند.

برای سازگاری با محیط‌های مختلف، فایل‌های 'skills/*/SKILL.md' به عنوان سورس واحد استفاده می‌شوند و اسکریپت پکیج‌کننده فایل‌های متناسب می‌سازد:

• فایل '.claude-plugin/plugin.json' برای Claude Code
• فایل '.cursor-plugin/plugin.json' برای Cursor
• فایل '.github/agents/*.agent.md' برای GitHub Copilot

دستور زیر صحت ساختار را در CI بررسی می‌کند:

node scripts/package.mjs --check

در انتها، گیت‌هاب بر سه اصل تمرکز دارد: قرار دادن کانتکست بیزینس در یک مانیفست واحد، تعریف مسیر دسترسی یکپارچه به پلتفرم برای تمام مهارت‌های وابسته، و تایید ابزارها و مجوزها در کلاینت‌های مختلف هوش مصنوعی.