OpenAI团队用Codex Skills改造Agents SDK维护流程，通过AGENTS.md、本地技能和GitHub Actions，三个月PR合并量从316增至457，提升45%
OpenAI团队用Codex改造了Agents SDK仓库的维护方式，通过仓库本地Skills、AGENTS.md文件和GitHub Actions，把重复性工程工作变成可重复执行的工作流。
效果显著：2025年12月1日至2026年2月28日，两个仓库共合并457个PR，而此前三个月（2025年9月1日至11月30日）只有316个，提升45%。
这套配置相当简单，但效果明显。如果你维护开源项目，这套方法值得借鉴。
OpenAI Agents SDK提供Python和TypeScript两个版本，为构建智能体应用提供核心组件，也是在Realtime API之上构建语音智能体的简洁方案。
使用量级：
这种活跃度意味着大量PR、Issue和维护工作。传统方式下，重复性工程任务会消耗大量时间。
整套系统非常简洁：
AGENTS.md里.agents/skills/目录下这套配置让Codex对仓库的运作方式有了稳定的上下文，让重复性工程工作更快、更准。
技能采用渐进式披露（progressive disclosure）模型：
name和description等元数据SKILL.md的完整内容这样不会一开始就撑大智能体的上下文，同时又能携带丰富的指令、脚本和参考资料。
Python仓库是更简洁的基础版本，包含8个技能：
1. code-change-verification 当代码或构建行为发生变化时，运行必需的格式化、lint、类型检查和测试流程。
2. docs-sync 对照代码库审计文档，发现缺失、不正确或过时的文档。把源码中的docstring和注释作为生成参考文档的权威来源。
3. examples-auto-run 在自动模式下运行示例，生成日志和重试辅助文件。
4. final-release-review 将上一个发布标签与当前发布候选版本进行对比，检查发布就绪状态。
5. implementation-strategy 在修改运行时或API变更之前，先确定兼容性边界和实现方案。
6. openai-knowledge 通过官方Docs MCP工作流拉取最新的OpenAI API和平台文档。
7. pr-draft-summary 在交接时准备分支名建议、PR标题和草稿描述。
8. test-coverage-improver 运行覆盖率检查，找到最大的缺口，并提出高影响力的测试建议。
JavaScript仓库遵循同样的总体模式，针对其npm monorepo和发布流程增加了3个仓库特有的技能：
1. changeset-validation 检查变更集和版本升级级别是否真正匹配包的差异。
2. integration-tests 将包发布到本地Verdaccio（本地npm包注册中心）注册表，并验证在各支持运行时中的安装和运行行为。
3. pnpm-upgrade 协调更新pnpm工具链和CI中的版本锁定。
1. 职责明确的契约 每个技能都有清晰的触发条件和具体的输出。
2. "先报告再行动"工作流
docs-sync和test-coverage-improver是"先报告再行动"的工作流：先检查当前的差异或覆盖率产物，排出优先级，然后在编辑之前征求批准。
3. 窄范围专用技能
JavaScript专属的pnpm-upgrade技能是窄范围的：它只负责协调pnpm版本更新，不做其他事情。
4. 工作流留在仓库里 把这些工作流放在代码旁边，而不是藏在某个文档或Wiki里。
.agents/skills/.agents/skills/以PR审查为例，传统流程需要：
现在，Codex可以：
code-change-verification技能自动验证docs-sync技能检查文档test-coverage-improver技能分析覆盖率pr-draft-summary技能生成PR描述整个流程自动化，维护者只需要审核结果。
1. 申请Codex for Open Source 符合条件的开源项目维护者可以申请：
申请地址：https://openai.com/codex-for-open-source
2. 创建AGENTS.md
在仓库根目录创建AGENTS.md，写入仓库策略和工作流说明。
3. 创建.agents/skills/目录
在仓库中创建.agents/skills/目录，每个技能一个子目录。
4. 编写技能清单 每个技能包含：
SKILL.md：清单文件，描述技能的职责、触发条件和输出scripts/：可选的脚本目录references/：可选的参考资料目录assets/：可选的资源目录5. 配置GitHub Actions 使用Codex GitHub Action在CI中运行技能。
适合谁？
核心优势：
局限性：
总结： 如果你维护的开源项目有大量重复性工程任务，这套方法值得尝试。OpenAI团队用实际数据证明了效果：三个月PR合并量提升45%，而配置相当简单。
关键在于把工作流"固化"到仓库里，让AI有稳定的上下文可以依赖。
SceneMaker 是一个突破性的开源框架，能从单张图像生成完整的、带 Mesh 的 3D 场景，完美解决物体遮挡和空间位姿问题。
智谱推出 AutoClaw 本地客户端，40秒安装即用，预装 Pony-Alpha-2 模型和50+技能，彻底解决 AI Agent 部署难题
来自 Claude Code 团队工程师的一手经验，揭秘 Anthropic 内部几百个 Skills 的分类体系、编写技巧和分发策略