Lab 23 學習導引與技術解析#

本 Lab 深入解析了如何將 Agent 運行的「技能知識（SOP）」與「行為守則（Rules）」與 Python 程式碼完全解耦，實現真正的「聲明式軟體定義 Agent 工作流」。

💡 核心學習重點#

1. 聲明式自攜技能封裝 (Declarative Skills)#

• 概念：當音樂教室的颱風停課標準、退費 SOP 發生修改時，我們不需要也不應該修改 Python 代碼。我們將其寫成標準 Markdown 文件並加上 YAML frontmatter 標頭，封裝為 Skill。
• 實作技術： 在 LocalAgentConfig 中使用 skills_paths 指向包含該 Skill 資料夾的路徑。Agent 在對話中，會自動根據語意檢索此技能文件（SKILL.md），獲得相關知識並回答家長。

2. 專案層級 Rules 治理 (Project-Scoped Rules)#

• 概念：AGENTS.md 是用來約束 Agent 行為規範的聲明式規則文件。在本專案中，Agent 啟動時會自動讀取並載入 .agents/AGENTS.md。
• 動態演進對比證明： 為了物理性驗證這項特性，我們在同一個 Python 程式運行中，動態改寫了專案的 .agents/AGENTS.md，並觀察兩階段 Agent 在接收相同提問時的行為差異：
  • 第一階段 (上限 2 次)：規則檔中宣告上限為 2 次。家長想申請第 3 次補課，Agent 查閱規則後，堅定且有禮貌地拒絕了申請。
  • 第二階段 (上限 4 次)：規則檔在背景被修改放寬為 4 次（Python 代碼不變）。Agent 重新啟動後，查閱新規則，自動轉換為核准補課申請。

這清晰地展示了：未來當教室政策變動時，行政管理人員只需修改純文字的 .md 文件，Agent 就能在下一次執行時自動遵循新規範，完全免除了開發人員重新上線或修改代碼的維護成本。

🧹 系統狀態還原與環境整潔#

• 工程原則：測試腳本在動態修改專案配置時，必須確保在結束或發生錯誤（利用 try...finally）時，將修改過的 .agents/AGENTS.md 無條件還原為原始內容。這防止了污染 Git 提交歷史，確保了多人協作下的專案整潔度。