构建基于 Agent 的 GitHub 自动化工作流实战指南

现在，你已经拥有了连接工作流与 GitHub 世界的'黄金钥匙'。请务必像保管你最重要的密码一样保管它。

2.2 配置智能体节点

获取了令牌之后，我们就要回到工作流的构建界面，将这把'钥匙'交给一个能够使用它的角色——'智能体（Agent）'节点。智能体节点是一种特殊的高级节点，它可以被赋予使用各种外部工具的能力。

1. 添加智能体节点：打开我们之前创建的基础工作流。与之前添加大模型节点不同，这次我们要在输入节点后添加一个'智能体'节点。你可以选择替换掉之前的大模型节点，或者将其置于大模型节点之前，让智能体先根据工具执行结果，再由大模型进行总结。一个更常见的做法是直接用智能体节点替代简单的大模型节点，因为它内部本身就集成了大模型来进行决策。
2. 添加工具：进入智能体节点的设置界面，你会看到一个'添加工具'的选项。
3. 搜索并选择 GitHub 工具：在工具市场或工具列表中，搜索关键词 'github'。
4. 输入密钥并连接：选择 GitHub_MCP 工具后，系统会要求你提供凭证。这时，将你刚刚在 GitHub 生成并保存的个人访问令牌（PAT）粘贴到指定的输入框中，然后点击'链接'或'保存'。
5. 验证连接成功：如果你的令牌是有效的，系统会显示一个连接成功的提示。这意味着你的工作流平台现在已经获得了通过 API 与 GitHub 进行通信的授权。
6. 在智能体中正式启用工具：回到智能体节点的设置界面，再次点击'添加工具'，在'MCP 工具'分类下，你现在应该能看到已经成功链接的 GitHub_MCP 工具。点击它，然后点击'添加'按钮，将其正式加入到该智能体的可用工具箱中。

完成这一步后，你的智能体节点就已经被成功赋能了。它不再只是一个空谈者，而是变成了一个能够调用一系列强大 GitHub API 的实干家。

2.3 能力清单

在开始实战之前，让我们花点时间来检阅一下 GitHub_mcp 这个'工具箱'里到底都有些什么宝贝。了解每个工具的功能、描述和所需参数，对于我们后续如何用自然语言精确地向智能体下达指令至关重要。

以下是 GitHub_mcp 工具集中包含的核心功能，我们对其进行了更详细的解读：

（注：表格中仅列举了部分常用功能，完整列表请参考文档。）

通过理解这份能力清单，我们就能明白，我们的智能体现已具备了从代码操作、项目管理到社区互动的全方位 GitHub 能力。

最终，配置完成的智能体节点，将成为我们工作流中功能最强大的核心枢纽。

第三章：实战演练

理论的价值在于指导实践。现在，我们已经构建并配置好了一个与 GitHub 深度集成的自动化工作流，是时候让它在真实的场景中大显身手了。本章将通过一系列具体的、由易到难的任务，来展示这个工作流的强大能力和便捷性。

3.1 信息检索：你的专属 GitHub 搜索引擎

对于开发者来说，GitHub 不仅是代码托管平台，更是一个巨大的知识库和灵感来源。每天，我们都可能需要上去搜索优秀的开源项目、学习他人的代码实现。传统的方式是打开浏览器，输入网址，再在搜索框中键入关键词。现在，我们可以将这个过程简化为一步。

任务一：搜索关于 'PyTorch' 的仓库

目标：我们希望工作流能像 GitHub 的搜索功能一样，帮我们找到与深度学习框架 'PyTorch' 相关的仓库，并返回第一页的结果，最好能直接给出链接。

操作步骤：

1. 设置提示词 (Prompt)：在运行工作流时，向它输入清晰、直接的指令。同时，我们可以在智能体节点的系统提示词中预设一些期望，比如'你是一个 GitHub 专家，请使用工具来回答用户的问题'。
   • 用户输入：请帮我搜索一下 GitHub 上关于 'PyTorch' 的仓库，并返回第一页的结果。

执行过程揭秘：

当智能体接收到这个指令后，它内部的大模型会进行'思考'：

1. 意图识别：模型首先识别出用户的核心意图是'搜索 GitHub 仓库'。
2. 工具选择：接着，它会浏览自己拥有的工具列表（即我们配置的 GitHub_MCP），发现 search_repositories 这个功能完美匹配当前任务。
3. 参数提取：模型从用户的输入中提取出 search_repositories 功能所需要的参数。很明显，query 参数就是 'PyTorch'。对于 page 和 perPage 这样的可选参数，如果用户没有指定，它可能会使用默认值（例如，page=1）。
4. 工具调用：智能体随后执行 github_mcp.search_repositories(query='PyTorch', page=1)。
5. 结果格式化：API 调用会返回一串结构化的数据（通常是 JSON 格式），包含了仓库的名称、所有者、描述、URL 等信息。智能体的大模型会将这些原始数据进行整理和美化，以一种更易读的格式呈现给用户。

结果展示：

工作流的输出结果非常直观，它会列出一系列与 'PyTorch' 相关的仓库，每个仓库都包含关键信息，并且附带了可以直接点击跳转的链接。

效果验证：

为了验证其准确性，我们可以手动打开 GitHub 网站，进行相同的搜索。你会发现，工作流返回的结果与 GitHub 官方搜索结果的第一页是完全一致的。

这个看似简单的任务，完美展示了工作流的价值：它将一个多步骤的网页操作，简化成了一次自然语言对话，极大地提升了信息获取的效率。

3.2 趋势追踪：动态获取 GitHub 热门项目

紧跟技术趋势是每个开发者的必修课。GitHub Trending 页面是发现当下最火、最受关注项目的重要渠道。我们能否让工作流每天自动为我们播报这些热门项目呢？答案是肯定的。

任务二：获取今日的 GitHub 热门项目

目标：让工作流返回当天 GitHub 上的热门项目列表，要求包含详细的英文说明，并附上快速跳转链接。

操作步骤：

1. 用户输入：帮我获取今日的 GitHub 热门项目，需要有详细的英文说明，并附带一个快速跳转链接。

执行过程揭秘：

这个任务比上一个稍微复杂一些。GitHub_mcp 工具列表中可能没有一个直接名为 get_trending_repositories 的功能。这时，智能体的大模型会展现出更强的推理能力：

1. 意图理解：'热门项目'通常与'星星数（stars）'的增长趋势有关。
2. 策略规划：模型可能会制定一个策略：使用 search_repositories 功能，但构造一个特殊的查询。GitHub 的搜索支持多种限定符，比如 stars:>N，或者按照 updated 日期排序。一个聪明的模型可能会构造一个类似 q='stars:>100 created:>{today-1day}' sort='stars' order='desc' 这样的高级查询，来模拟'今日热门'的效果。
3. 工具执行与结果呈现：执行搜索后，同样将返回的结果进行美化，提取英文描述和 URL，然后呈现出来。

结果展示：

工作流的输出会是一个清晰的列表，每个项目都像一个摘要卡片，让你能迅速了解其核心价值，并决定是否要点击链接深入探索。

通过这个任务，我们看到了智能体不仅仅是简单的 API 执行者，它还能在一定程度上理解抽象概念（如'热门'），并将其转化为具体可执行的工具调用策略。

3.3 项目管理：直接在工作流中提交 Issue

这可能是最能体现工作流与 GitHub 深度集成价值的功能之一。在开发过程中，发现 Bug 或有新想法时，我们需要去对应的仓库创建一个 Issue。这个过程虽然不复杂，但却会打断我们当前的工作流。现在，我们可以直接在对话中完成这一切。

任务三：为指定仓库提交一个具体的 Issue

背景：假设我是项目 undoom-douyin-data-analysis 的使用者，我发现了一个问题：内置浏览器在某些情况下需要用户手动登录，影响了体验。我希望提交一个 Issue 来反馈这个问题，并建议改进方案。

目标：通过工作流，向 https://github.com/kk520879/undoom-douyin-data-analysis 这个仓库提交一个 Issue。

操作步骤：

1. 用户输入：我们需要提供所有必要的信息：仓库地址、Issue 的内容和标题。我们可以将这些信息整合在一个指令中。
   • 请针对我的 undoom-douyin-data-analysis Public 仓库提交一个 issues 内容是：目前可能会出现内置浏览器打开需要进行登录操作或者是弹窗，需要进行一个持久化的操作甚至是增加一个内置 tool 进行用户登录操作
   • 为了让 Issue 更规范，我们可以补充一个标题：标题是：【功能建议】优化内置浏览器登录体验，增加持久化登录

执行过程揭秘：

1. 意图识别：核心意图是'提交 Issue'。
2. 工具选择：智能体立即锁定 create_issue 功能。
3. 参数提取：
   • repo：从仓库名 undoom-douyin-data-analysis 中提取出 undoom-douyin-data-analysis。
   • owner：从 GitHub 用户名 kk520879 中提取。
   • title：从用户输入的'标题是：…'中提取。
   • body：提取用户描述的问题和建议内容。
4. 智能优化（亮点）：在文档的截图中，我们发现了一个非常有趣的现象。工作流在执行创建 Issue 之前，可能会调用其内置的大模型能力，对用户输入的 body 内容进行优化和润色。它可能会将口语化的描述变得更书面化、结构化，使其看起来更专业，甚至补充一些上下文。这是单纯的 API 调用无法做到的，体现了 AI 的增值作用。
5. 工具调用：执行 github_mcp.create_issue(owner='kk520879', repo='undoom-douyin-data-analysis', title='...', body='...')。

结果展示与验证：

工作流会返回一个确认信息，通常会包含新创建 Issue 的编号和链接。

我们可以点击这个链接，或者直接访问 GitHub 上的该仓库。在 'Issues' 标签页下，我们会赫然发现一个新的 Issue 已经被成功创建。点开查看，其标题和内容都与我们的要求一致，甚至可能经过了 AI 的优化，语言表达更加清晰、专业。

这个实战案例的意义是巨大的。它意味着，从发现问题、构思描述到最终创建任务记录，整个项目管理的闭环都可以在一个统一的对话界面中完成，无需切换应用，无需中断心流。这对于提升开发者的专注度和工作效率有着不可估量的价值。