技能介绍

问题背景

AI 编程代理生成拉取请求的速度越来越快，但验证深度常常不够。一个模型可能在没有打开文件的情况下断言 config/settings.yml 中某个键已经存在，另一个模型可能在没有运行测试的情况下声称“所有集成测试已通过”。当多个代理在各自分支上并行产出改动时，人工审查者很难快速判断每条 PR 描述背后的证据是否真实。

本技能面向的就是这个 证据断裂 问题：让代码仓库本身成为事实来源，用可复现的校验替代口头保证。

核心能力

在隔离分支上驱动 GitHub Copilot CLI、Claude Code 或 Codex 执行任务，避免多代理交叉污染工作区
要求每个代理在提交声明前收集可验证的证据，包括命令执行记录、输出片段和引用文件路径
将验证逻辑编码为脚本化质量闸门，只有满足预设条件的拉取请求才被放行

工作流程

典型的运行路径如下：

Swarm Orchestrator 克隆目标仓库，为每个子任务创建独立分支
选中的 AI 代理在分支上生成改动，并在 diff 说明中附带证据引用
编排器调用验证脚本，对每条声明执行确定性检查——例如用 test -f 确认文件存在，用 grep 排除 error 级日志，或重新运行单元测试
所有闸门通过后，编排器才允许拉取请求进入下一阶段；否则标记 BLOCKED 并附带失败证据

适用边界

这套机制更适合需要逐条对账的场景，例如安全敏感模块、数据迁移脚本或接口契约变更。对于快速原型或探索性分支，严格的证据收集可能拖慢节奏。另外，验证脚本的准确性决定了闸门的有效性——如果脚本本身放过了错误的声明，编排器也不会拦截。因此，维护者需要定期审查证据收集模板和校验规则，确保它们与项目演进保持一致。