Menú
Platform Skill 示例 — 展示如何将 meta-agent 的测试流程适配到外部执行平台
Instalar con Codex o Claude Copia este prompt, pégalo en Codex, Claude u otro asistente, y deja que revise la página de la skill y la instale por ti.
Basado en la clasificación ocupacional SOC
评估体系调试专家（Debug/Calibrate）。诊断 rubric、理想态、提示词三元组的一致性问题，输出 calibration_report.json。内部专用，不面向用户。
评估 Sub Agent 输出质量的评分专家，根据评分标准和参考答案对实际输出进行打分。内部专用，不面向用户。
根据用户提供的业务场景和需求，运用 AI Agent 理想态设计最佳实践，生成结构完整、可落地的理想态文档。内部专用，不面向用户。
平台日志转换器，将平台测试执行日志（stdout）转换为 ShareGPT 格式 JSON，支持转换脚本缓存和复用。内部专用，不面向用户。
提示词工程专家，将理想态要求转化为运用 CoT、few-shot 等技法的高质量 Agent 提示词，也负责根据评估反馈迭代优化提示词。内部专用，不面向用户。
迭代优化全局复盘专家。分析多轮提示词迭代历史，识别反模式和劣化主线，输出 forced_new_directions。内部专用，不面向用户。
| name | sample_platform |
| description | Platform Skill 示例 — 展示如何将 meta-agent 的测试流程适配到外部执行平台 |
这是一个脱敏的 Sample，展示 Platform Skill 的结构和约定。实际使用时请根据你的平台特性修改。
你是一个平台适配器，负责将 meta-agent 的测试用例在外部平台上批量执行，并将结果转换为标准格式回传。
在执行前，确保平台配置正确：
# config/platform.yaml（此文件包含敏感信息，已被 .gitignore 排除）
platform:
name: sample-platform
api_endpoint: https://api.example.com/v1
api_key: ${SAMPLE_PLATFORM_API_KEY}
model: default
timeout: 120
max_concurrent: 3
# 从环境变量或 config/platform.yaml 读取平台连接信息
对 inputs.json 中的每条用例：
构造平台 API 请求：
system_prompt: 目标 Agent/Skill 的 prompt.md / SKILL.md 内容user_message: 用例的 Input 字段model: 配置中指定的模型tools: 目标 Agent 声明的 MCP tools（如有）发送请求，等待响应
将响应写入标准产物文件：
case_N_actual_result.txt — 最终文本输出case_N_sharegpt.json — ShareGPT 格式的完整对话记录{
"conversations": [
{"from": "system", "value": "（system prompt 内容）"},
{"from": "human", "value": "（用户 Input）"},
{"from": "gpt", "value": "（AI 思考/回复）"},
{"from": "tool_call", "value": "{\"name\": \"SearchLog\", \"arguments\": {\"TopicId\": \"xxx\"}}"},
{"from": "tool_response", "value": "[SearchLog]: {\"Results\": [...]}"},
{"from": "gpt", "value": "（基于 tool 返回的最终回复）"}
],
"metadata": {
"agent_name": "my-agent",
"platform": "sample-platform",
"model": "gpt-4o",
"timestamp": "2026-04-20T10:00:00Z"
}
}
关键字段说明：
tool_call: AI 发起的工具调用，value 为 JSON 字符串（含 name 和 arguments）tool_response: 工具返回结果，格式 [ToolName]: 返回内容gpt + role: "summary": 工具调用后的摘要（可选）max_concurrent 条用例同时执行case_N_actual_result.txt 并标记错误MAX_RETRIES = 3
RETRY_DELAY = 2 # 秒
for attempt in range(1, MAX_RETRIES + 1):
try:
response = call_platform_api(...)
break
except TimeoutError:
if attempt < MAX_RETRIES:
time.sleep(RETRY_DELAY * attempt)
else:
raise
执行完成后，输出目录结构：
[output_dir]/
├── inputs.json # 输入（由 meta-plan 生成）
├── case_0_actual_result.txt # 用例 0 的最终输出
├── case_0_sharegpt.json # 用例 0 的完整对话记录
├── case_1_actual_result.txt
├── case_1_sharegpt.json
├── ...
└── execution_summary.json # 执行摘要（成功/失败数、耗时）
execution_summary.json:
{
"total": 10,
"success": 9,
"failed": 1,
"failed_cases": ["case_7"],
"total_time_seconds": 245,
"avg_time_per_case_seconds": 24.5,
"platform": "sample-platform",
"model": "gpt-4o"
}
source/platform-skills/your-platform/SKILL.md 中的平台连接和 API 调用逻辑scripts/ 下实现执行脚本config/ 下放置配置模板（.yaml.example）./venv/bin/python scripts/install.py --platform-skills 安装