GitHub Agentic Workflows：Markdown 自动化，隔离执行

1. Actions 执行用 Markdown 编写的规则

用户用自然语言 Markdown 文件编写自动化内容，工具将其编译为标准 Actions YAML，即把自然语言规则转换为执行配置。

这是一个起源于 GitHub Next 的开源项目，智能体在 GitHub Actions 中运行。它复用现有运行器组及策略约束，运行器组就是负责执行任务的服务器集合。

GitHub 列出的应用场景包括议题分类、代码集成过程中的失败分析、文档更新及测试编写。这种方式让编码智能体处理难以仅靠重复流程完成的工作。

2. 在执行空间与应用变更之间设置防护

智能体遵循内容访问规则，以默认只读权限在隔离的沙箱容器中运行，并受防火墙保护。智能体生成的输出由安全输出流程验证，专门的威胁检测任务会在应用任何拟议变更前进行检查，查找风险。

用户也可选择以虚拟机为单位隔离执行空间的微型 VM。跨仓库工作流利用隔离保护数据的区域，即安全隔区，来防止数据泄露。这一结构同时设置了任务执行空间的隔离和应用结果前的检查。

3. 选择模型并预测预算后开始使用

每个工作流都可使用 GitHub Copilot，也可接入自有编码智能体。模型列表已更新，用户可以为各工作流选择模型提供商。还可使用模型路由器，根据任务类型和难度自动选择合适的模型。

系统还提供预算预测功能，用于查看威胁检测额度及每月用量范围。预算预测命令在公开预览期间属于实验功能，现已随正式推出而结束实验阶段。以下是原文中的预算预测命令。

gh aw forecast

开始使用时，可按照快速入门指南安装命令行扩展。GitHub Next 的示例仓库提供议题分类、依赖管理、代码审查及报告工作流。可用以下命令添加新工作流模板。

gh aw add-wizard

4. 引入团队报告节省时间并减少错误

GitHub 介绍了 Accenture 战略、架构与创新团队高级经理 Ben Alton 的案例。据该公司公布的信息，一名负责人估算自己每周可节省约 29 小时的开发工作时间，其团队测得的工作推进速度平均提高至原来的两倍以上。团队提交中由 AI 编写的比例为 91%。

在同一段引述中，Alton 解释说，工作流会从功能需求一直处理到实现及验证依据。由于 AI 会推进任务直至完成，工程师能够并行推进 4~5 项任务，专注于更大的目标。这可视为从委派单项任务，转向委派贯穿实现和验证的流程。

GitHub 称，该团队在实际生产环境中发生的错误从每天约 11,000 起降至不足 1,000 起。按近似值计算，大致降至原来的 10 分之 1 以下。原文未说明测量期间及统计方法，因此难以比较和解读数据基准。这些数据涉及不同对象和单位，应视为企业分享的案例，而非合并成单一性能指标。

表：Accenture 团队引入前后的生产环境错误对比

条件：GitHub 引用的 Ben Alton 团队案例，工作流引入前后

单位：起/日

图表：每日生产环境错误变化（标明数值条件的对比示意图）

引入前: 约 11,000起/日 ──减少──▶ 引入后: 不足 1,000起/日

5. 编写负担减轻，模型与运维选择仍需决定

用自然语言编写规则并复用现有执行环境和策略，降低了引入新自动化流程的门槛。不过，以 Copilot CLI 作为默认引擎需要 Copilot 许可证，也需结合模型用量评估预算。由于可以接入自有智能体，组织仍需决定使用哪种智能体，以及如何运维执行环境。

GitHub Agentic Workflows 的核心是用自然语言定义需要判断的任务，同时将执行与变更应用置于现有自动化策略及独立检查流程之内。