1. 执行摘要
随着 LLM 从对话界面演进为具备自主行动能力的 Agent，软件开发范式正从指令式编程转向基于意图和语境的编排。Agent 的效能瓶颈已不再是推理能力，而是其获取并遵循项目特定语境的能力。
为了解决'语境孤岛'，行业正向标准化协议收敛：
- AGENTS.md：作为项目的'宪法'，定义架构规范与行为准则（治理）。
- SKILL.md：作为可执行的'技能包'，赋予动态调用的操作能力（能力）。
本报告剖析了如何构建具备自主发现、解析并利用这些文件的 Agent，涵盖从文件系统遍历、AST 解析到基于 MCP 协议的安全沙箱执行环境的完整路线图。
2. 语境危机与 Agent 架构的演进
2.1 从'提示词工程'到'提示词运营（PromptOps）'
早期依赖庞大的系统提示词（System Prompt）存在两大局限：
- 语境污染：全量语境注入（Context Stuffing）挤压上下文窗口，导致模型注意力下降。
- 维护困难：硬编码的规则难以随代码库迭代。
**'配置即代码（Configuration as Code）'**的理念应运而生，将行为准则定义为版本受控的文件。
2.2 上下文感知的标准化协议
- AGENTS.md (项目的神经中枢)：解决 Agent '我是谁？我在哪里？遵循什么规则？'的问题。支持层级化继承，允许规则覆盖与合并。
- SKILL.md (模块化的能力单元)：采用渐进式披露模式。只有在识别到意图时才加载相关指令，优化 Token 效率。
3. 行业实现深度剖析
3.1 OpenAI Codex 与 GitHub Copilot：语境分层
- 发现机制：从用户主目录向上扫描至当前工作目录（CWD）。
- 优先级逻辑：距离 CWD 越近的文件优先级越高，实现'局部优于全局'。
3.2 Anthropic (Claude Code)：虚拟机与技能挂载
- VM 架构：在受控虚拟机中运行。
- 子智能体模式：主 Agent 编排，根据
SKILL.md启动加载特定上下文的子 Agent 以隔离干扰。
3.3 Cursor：语义检索增强 (RAG)
- 精细化控制：引入
.mdc格式，利用 Glob 模式（如*.ts）限定规则生效范围。 - 语义路由：对技能描述进行向量索引，动态匹配用户查询。
4. 自研 Agent 核心模块架构
系统架构划分为四个核心层级：
| 模块名称 | 核心职责 | 关键技术栈 |
|---|---|---|
| I. 发现引擎 | 遍历文件系统，识别配置文件，处理忽略规则 | Python pathlib, pathspec |
| II. 认知解析层 | 解析 Markdown AST，验证 YAML 元数据，处理继承逻辑 | , , |
