Fork与合并Pydantic AI代理及Deep Agents运行

要解决的问题

当一次 Pydantic AI 的编码或研究运行失败时，排查原因往往要靠重跑：失败信息、局部修改、模型或提示词变更，都会让同一段任务难以在同一基线上比较。如果只保留一条主线，试错要么串行拖慢节奏，要么互相污染日志与结果。

核心能力与关键步骤

这个技能围绕 Fork / branch、隔离测试和受控合并展开：

• Fork 运行：从原始 Pydantic AI run 分支出独立候选，保留可追溯的上下文和输出边界。
• 隔离验证：在受控环境里测试某个假设，例如换用不同模型配置、提示词版本或研究策略。
• 证据对比：通过测试结果、执行 trace 和审查笔记筛选候选分支，而不是凭感觉选边。
• 人工合并：仅在人工审核证据后，合并或选中获胜分支，降低错误变更直接进入主线的风险。

典型工作流是：使用 pydantic-deep CLI 或 Python 包搭建自托管终端代理或自定义 Pydantic AI harness；只配置经批准的模型提供方凭证；从代理入口发起 branch/fork；用测试与 trace 比较分支；最后在 review 后执行 merge。

适用边界与注意点

它定位为 自托管自定义代理工作流，不是通用的 Claude Code 替代品。需要在 Python 3.10+ 环境运行，并确保分支、测试、合并的闭环先被约束和 review，再决定是否开放 shell 或 repository 权限。执行环境应尽量隔离；未完成证据审查前，不要默认合并任何分支。