文章目录
-
- [一、AI 编程 Agent 为什么需要插件体系](#一、AI 编程 Agent 为什么需要插件体系)
- [二、Agent Plugins 1.0 的结构与运行机制](#二、Agent Plugins 1.0 的结构与运行机制)
- 三、团队级配置如何与组织策略协同
- [四、实操:建立一个可共享的代码测试 Skill](#四、实操:建立一个可共享的代码测试 Skill)
- Reporting
- [五、团队级 Agent 能力如何进入实际研发流程](#五、团队级 Agent 能力如何进入实际研发流程)
- 参考资料
2026 年 11 月 18 日,GitHub 宣布 Copilot Team Customizations 正式可用。组织中的团队维护者现在可以为团队选择一组 Agent Plugins,让成员在 VS Code、Copilot CLI 和 GitHub Copilot App 中获得统一的默认插件配置。
对于已经开始使用 AI 编程 Agent 的团队,这项更新解决了一个日益常见的问题:同一团队的开发者虽然使用相同的 Copilot 产品,却可能拥有完全不同的 Agent 配置。
有人为代码审查编写了专门的 Agent,有人维护着测试执行 Skill,还有人通过 MCP 服务器连接构建系统或内部知识库。这些配置如果只保存在个人电脑上,就很难随着团队成员和项目数量增加而保持一致。
GitHub 这次将插件共享能力引入组织团队层级,使 Agent 配置能够在个人习惯与企业统一策略之间形成一个新的管理层次。
要理解这项变化,需要进一步分析 Agent Plugins 的组成方式、插件市场的分发机制,以及团队默认配置如何与组织安全策略协同工作。
一、AI 编程 Agent 为什么需要插件体系
传统 IDE 的扩展机制主要围绕编辑器功能展开,例如语法高亮、调试器、代码格式化和语言服务器。
AI 编程 Agent 的扩展需求更复杂。
一个 Agent 不仅需要读取代码,还可能根据任务调用工具、执行脚本、查询外部服务,并遵循特定项目的开发约定。
例如,一个负责 Python 项目的 Agent 可能需要了解项目使用 pytest 进行测试,使用 Ruff 进行代码检查,并要求所有新功能都附带单元测试。
这些约定可以通过自然语言指令表达,但如果每次任务都要重新说明,就会增加重复操作。
更复杂的场景还涉及专门的工具能力。
例如,Agent 需要通过 MCP 查询数据库结构,通过构建平台接口检查 CI 结果,或者通过专用 Agent 对代码变更进行审查。
这类能力通常由不同的配置文件、工具接口和脚本组成。
GitHub Copilot Plugins 的目的,就是把相关配置封装成可以统一安装、启用和管理的插件。
根据 GitHub 官方文档,一个插件可以包含以下组件:
| 组件 | 主要用途 |
|---|---|
| Custom Agents | 为特定任务定义专用 Agent |
| Skills | 封装任务说明、脚本和相关资源 |
| Hooks | 在特定 Agent 事件发生时执行处理逻辑 |
| MCP 配置 | 接入外部工具、服务或数据 |
| Extensions | 为特定客户端扩展工具或命令 |
| LSP 配置 | 在支持的客户端中集成语言服务器 |
这些组件并不要求同时存在。
例如,一个只负责统一 Python 测试流程的插件,可以仅包含一个 Skill。
另一个面向代码审查的插件,则可能同时包含专用 Agent、审查规则和外部安全工具配置。
这种封装方式带来的主要价值是复用。
同一套测试约定可以在多个仓库中使用,也可以交给不同成员安装,而不需要每个人重新编写配置。
对于团队而言,还可以将插件版本纳入管理,使 Agent 能力的变更具有可追踪的来源。
插件与普通的提示词文件也存在区别。
单个提示词文件通常只描述某种行为,而插件可以同时携带执行所需的资源和配置,并通过插件市场进行分发。
例如,一个代码审查插件可能包含:
text
review-plugin/
├── plugin.json
├── skills/
│ └── review/
│ └── SKILL.md
└── com.github.copilot/
└── agents/
└── reviewer.agent.md
这里的 SKILL.md 描述审查方法,reviewer.agent.md 则为 Copilot 专用 Agent 提供角色和任务定义。
插件目录通过 plugin.json 声明元数据。
GitHub 当前推荐新的跨客户端插件使用 Agent Plugins 1.0 格式,同时保留 Copilot CLI 旧版插件格式的兼容支持。
这一点对已有自定义 Agent 的团队很重要:过去能够在某个客户端运行的插件,不一定能够直接在所有客户端中使用。
插件格式决定了文件如何组织,而具体客户端还决定哪些组件能够被识别和执行。
二、Agent Plugins 1.0 的结构与运行机制
GitHub 官方文档将 Agent Plugins 1.0 作为新插件的推荐格式。
该格式的核心是标准化插件清单,以及 Skills、MCP 配置等组件的位置。
一个典型目录如下:
text
my-plugin/
├── plugin.json
├── skills/
│ └── deploy/
│ └── SKILL.md
├── mcp.json
└── com.github.copilot/
├── agents/
│ └── helper.agent.md
├── commands/
├── rules/
├── hooks/
│ └── hooks.json
└── lsp.json
其中,plugin.json 是插件清单文件。
skills/ 用于保存可以被 Agent 使用的任务技能。
mcp.json 可以定义 MCP 服务器连接。
com.github.copilot/ 则保存 Copilot 特定的组件,例如专用 Agent、命令和 Hooks。
这种目录划分体现了跨客户端复用的思路。
通用的 Skills 和 MCP 配置可以由兼容 Agent Plugins 1.0 的客户端读取,而某些专用能力只在 GitHub Copilot 支持的环境中生效。
这也意味着,插件的可移植性需要按照组件分别判断。
例如,一个 Skill 可能能够在多个兼容客户端中使用,但某个 Copilot 专用 Hook 或 LSP 配置未必能够被其他 Agent 产品识别。
GitHub 文档还区分了 Agent Plugins 1.0 与旧版 Copilot CLI 插件格式。
旧版格式允许通过清单配置不同的组件路径,而新版格式更强调标准位置和跨客户端兼容。
对于新项目,优先使用 Agent Plugins 1.0 可以减少未来迁移时的结构差异。
但对于已经依赖旧版自定义路径的项目,迁移之前应当确认目标客户端是否支持对应组件。
从运行过程来看,插件可以理解为 Agent 的能力包。
Agent 接收到用户任务后,依据当前会话可用的指令、Skills 和工具配置决定如何处理。
如果插件提供了某种测试 Skill,Agent 可以在相关任务中使用其说明和资源。
如果插件提供 MCP 服务器配置,Agent 则可以通过已建立的工具连接访问相应能力。
插件本身并不保证 Agent 一定会在每次任务中调用某个工具。
实际调用仍然取决于任务内容、客户端能力、模型决策以及权限配置。
例如,开发者要求 Agent 修改一个函数时,Agent 可能只需要读取代码并运行本地测试。
如果任务涉及外部数据库结构,Agent 才可能需要调用对应 MCP 工具。
因此,插件体系更接近一套可管理的能力注册与分发机制。
它为 Agent 提供可以使用的资源,但不替代具体任务执行过程。
三、团队级配置如何与组织策略协同
11 月 18 日更新的核心是 Team Customizations。
此前,开发者可以在个人客户端中安装插件,企业管理员也可以通过管理策略限制插件来源和使用范围。
现在,GitHub 在两者之间增加了团队默认配置。
团队维护者或组织所有者可以打开 GitHub 组织中的团队页面,进入 Customize Copilot 标签,选择需要共享的插件。
插件可以来自 Copilot 内置市场、企业插件市场,或者团队添加的其他插件市场。
管理员也可以添加包含插件市场的 GitHub 仓库,然后从该市场中选择具体插件。
需要区分插件市场与插件本身。
添加一个市场,意味着该市场中的插件可以被发现和浏览。
这并不等于市场中的全部插件都已经安装或启用。
GitHub 官方文档还区分了插件的三个状态:可发现、已安装和已启用。
只有当插件在对应客户端中处于启用状态时,其组件才会成为可用的 Agent 能力。
团队配置提供的是默认启用选择。
根据 GitHub 公告,被团队选中的插件会默认面向团队的直接成员启用,支持 VS Code、Copilot CLI 和 Copilot App。
子团队成员不会自动继承父团队的插件默认配置。
这意味着组织在设计团队结构时,需要明确哪些插件属于团队共享能力,哪些插件应该通过更高层级的策略管理。
例如,一个企业可能拥有以下结构:
text
Engineering Organization
|
+-- Backend Team
| |
| +-- API Review Plugin
| +-- Database Skill Plugin
|
+-- Frontend Team
| |
| +-- UI Testing Plugin
| +-- Accessibility Plugin
|
+-- Platform Team
|
+-- CI Diagnostics Plugin
+-- Deployment Plugin
这是一种团队配置示例。
后端团队可以共享数据库和 API 审查能力,前端团队可以共享界面测试能力,平台团队则可以集中使用 CI 和部署相关工具。
但插件是否能够实际执行,还受到组织和企业策略控制。
GitHub 明确规定,企业与组织策略优先于团队选择。
例如,企业可以禁止使用某个不符合内部要求的插件市场。
即使团队维护者将该市场添加到团队配置中,也不能绕过企业限制。
同样,企业可以要求安装特定插件,或者阻止某些插件运行。
团队默认配置与强制策略具有不同含义。
默认配置允许团队成员在政策允许的情况下自行关闭插件。
强制策略则由企业管理层控制,普通成员不能通过客户端设置取消。
这种层级关系可以概括为:
text
Enterprise / Organization Policy
|
v
Team Plugin Defaults
|
v
Individual Preferences
|
v
Effective Agent Setup
其中,最终生效的 Agent 配置受到上层策略约束。
这套机制可以避免两个极端。
如果全部配置都由个人管理,团队之间可能出现较大差异。
如果所有插件都由企业统一强制启用,又可能使不同团队承担大量无关配置。
团队默认插件提供了一个中间层,使具有相似研发任务的成员共享常用能力,同时保留一定程度的个人选择空间。
对于企业来说,还需要关注插件来源。
一个插件可能包含 MCP 服务器配置、脚本或 Hook,这些组件可能访问本地文件、网络服务或其他资源。
因此,允许团队使用某个插件市场之前,应当了解插件来源、维护者、版本和实际执行能力。
GitHub 的管理策略可以限制市场和插件,但团队仍然需要根据自身开发环境决定哪些能力适合启用。
四、实操:建立一个可共享的代码测试 Skill
对于希望理解插件机制的开发者,可以从最简单的 Skill 开始。
这里构建一个面向 Python 项目的测试检查 Skill,用于指导 Agent 在修改代码后运行项目测试,并根据结果进行分析。
这个示例不依赖外部 MCP 服务,也不要求接入生产系统。
准备一个使用 Python 3.10 或更新版本的测试项目,并安装 pytest:
bash
python -m pip install pytest
建立一个简单的 Python 模块:
python
# calculator.py
def add(a, b):
return a + b
def divide(a, b):
if b == 0:
raise ValueError(
"division by zero"
)
return a / b
再创建测试文件:
python
# test_calculator.py
import pytest
from calculator import add, divide
def test_add():
assert add(2, 3) == 5
def test_divide():
assert divide(8, 2) == 4
def test_divide_by_zero():
with pytest.raises(ValueError):
divide(1, 0)
执行:
bash
python -m pytest -q
在依赖正确安装、文件位于同一目录且代码保持上述内容的情况下,预期结果是三个测试通过。
这个测试项目可以作为 Agent Skill 的练习对象。
接下来建立 Skill 目录:
text
skills/
└── python-test/
└── SKILL.md
在 SKILL.md 中写入:
markdown
---
name: python-test
description: Run and review Python tests after code changes.
---
# Python Test Workflow
Use this skill when reviewing Python code changes
or checking whether a modification breaks tests.
## Procedure
1. Inspect the repository test configuration.
2. Identify the relevant test files.
3. Run the appropriate pytest command.
4. Report failed tests with their error messages.
5. Explain the likely cause of each failure.
6. Suggest a minimal correction when appropriate.
## Default command
```bash
python -m pytest -q
Reporting
Include:
- Test command
- Number of passed and failed tests
- Relevant failure details
- Suggested next action
Do not report a test as passed unless the command
completed successfully.
这个 Skill 的重点是将团队测试习惯整理为可复用的指令。
例如,团队可以要求 Agent 优先运行与修改文件有关的测试,而不是每次都执行完整测试套件。
对于大型项目,这能够减少不必要的测试开销。
也可以要求 Agent 在报告测试失败时附带具体错误信息,方便开发者判断失败原因。
Skill 中的命令需要与实际项目保持一致。
如果团队使用 `uv`、Poetry 或其他 Python 环境管理工具,可以根据项目约定调整执行命令。
例如,使用 uv 的项目可能采用:
```bash
uv run pytest -q
但具体运行方式取决于项目依赖和环境配置。
完成 Skill 后,可以将其放入符合 Agent Plugins 1.0 格式的插件目录,并按照 GitHub 官方清单规范创建 plugin.json。
插件清单需要符合 Agent Plugins 1.0 的 Schema,包括必要的名称和元数据字段。
对于希望快速体验的开发者,也可以先在支持 Skills 的 Copilot 客户端中使用该目录,确认任务说明是否符合项目需要,再进行插件封装。
当插件已经通过客户端验证,并发布到组织允许的插件市场后,团队维护者可以在 GitHub 团队页面选择它作为默认插件。
实际团队操作流程为:
text
GitHub Organization
|
v
Team Page
|
v
Customize Copilot
|
v
Browse Plugin Marketplace
|
v
Select Plugin
|
v
Enable for Team
完成后,团队直接成员可以在支持的 Copilot 客户端中获得对应默认插件配置。
成员仍然可以在策略允许的情况下关闭某个团队默认插件。
这里还有一个容易忽略的工程问题:插件配置共享之后,团队需要管理其版本变化。
例如,测试 Skill 最初要求运行:
bash
python -m pytest -q
后来项目迁移到新的环境管理方式,测试命令发生变化。
如果插件内容长期没有更新,新成员可能继续按照过时的约定执行任务。
因此,插件仓库可以像普通代码仓库一样进行版本管理。
修改 Skill 时,通过 Pull Request 审查变更,并在发布新版本前使用具有代表性的测试项目检查效果。
对于包含 MCP 连接器的插件,还需要检查外部服务权限、认证方式和工具接口是否发生变化。
团队共享插件能够减少重复配置,但其长期价值依赖于持续维护。
五、团队级 Agent 能力如何进入实际研发流程
GitHub Copilot 的这次更新,使插件管理从个人开发环境进一步扩展到团队层级。
这项变化与 11 月 18 日同时发布的 MCP 连接器扩展具有一定联系。
GitHub 当天新增了八种经过验证的 MCP 服务连接器,包括 Buildkite、Supabase、Box 和 Mixpanel 等。
这些连接器使 Copilot 可以访问更多外部开发与业务系统。
例如,开发者可以让 Agent 查询 Buildkite 构建失败信息,结合仓库代码分析可能的原因。
也可以让 Agent 在编写数据库迁移之前,通过 Supabase 连接器检查相关数据库结构。
不过,MCP 连接器和 Agent Plugins 承担不同职责。
MCP 连接器提供外部工具和数据访问能力。
Agent Plugin 则可以把 Skills、Agent 定义和 MCP 配置组织为可分发的能力包。
两者可以结合使用。
例如,一个 CI 诊断插件可以包含构建失败分析 Skill,并通过 MCP 连接到构建平台。
Agent 接到排查任务后,能够按照团队约定的步骤查询构建记录、定位失败阶段,再检查相关代码。
这种能力对维护多个仓库的团队尤其有价值。
不同成员可以共享同一套分析流程,减少个人经验差异带来的重复工作。
但插件共享也意味着需要明确权限边界。
一个能够读取构建日志的插件,与一个能够触发生产部署的插件,具有完全不同的风险等级。
对于具有写入或执行权限的工具,团队应当结合企业策略、服务端授权和操作确认机制进行管理。
例如,读取构建状态可以作为常规诊断能力。
修改生产数据库、部署应用或删除资源等操作,则需要更严格的权限控制。
这类要求应当体现在实际工具授权和执行流程中,而不能只依赖自然语言提示。
从长期来看,团队级插件还可以与 Agent 评估机制结合。
GitHub 在 11 月 17 日发布的 Copilot Evals 公开预览,已经允许开发者针对 Skills、自定义 Agent 和 MCP 工具建立可重复执行的评估任务。
当团队准备修改一个共享插件时,可以使用固定测试任务比较修改前后的表现。
例如,代码审查插件可以使用一组具有已知问题的 Pull Request 作为评估对象。
测试插件可以使用包含通过和失败测试的项目,检查 Agent 是否正确识别结果。
数据库迁移插件则可以通过测试数据库验证其是否遵守既定约束。
这样,插件版本更新就能够建立在可重复的测试结果之上。
当然,Agent 评估仍然需要合理设计测试任务。少量简单示例的通过率不能直接代表复杂生产项目中的表现。
对于已经建立完整 CI/CD 流程的团队,可以逐步将插件配置、评估任务和版本审查纳入现有研发管理。
GitHub Copilot Team Customizations 的实际意义也正在这里。
它使团队能够集中定义一组默认 Agent 能力,并在多个客户端之间共享,同时保留企业策略的统一控制。
随着 AI 编程 Agent 承担越来越多的软件工程任务,团队需要管理的内容也将从源代码和依赖扩展到 Skills、工具连接、Agent 配置和执行权限。
这些配置会逐渐成为研发环境的一部分。
GitHub 11 月 18 日的更新为这一方向提供了更加明确的产品支持。对于已经在团队中使用 Copilot 的开发者,从一个简单、可维护、可验证的共享 Skill 开始,便能够逐步建立适合自身项目的 Agent 工作流程。
参考资料
1 GitHub Changelog. Customize GitHub Copilot for your team. 2026-11-18.
https://github.blog/changelog/2026-11-18-customize-github-copilot-for-your-team/
2 GitHub Docs. Plugins for GitHub Copilot.
https://docs.github.com/en/copilot/concepts/customizations/plugins
3 GitHub Changelog. Connect Supabase, Box, Calendly, and more to Copilot. 2026-11-18.
https://github.blog/changelog/2026-11-18-connect-supabase-box-calendly-and-more-to-copilot/
4 GitHub Docs. Creating and sharing a plugin marketplace on GitHub.
https://docs.github.com/en/copilot/concepts/customizations/plugins
5 GitHub Changelog. GitHub Copilot Evals is now in public preview. 2026-11-17.
https://github.blog/changelog/2026-11-17-github-copilot-evals-is-now-in-public-preview/
6 Model Context Protocol. Introduction.
https://modelcontextprotocol.io/
7 pytest Documentation.
https://docs.pytest.org/en/stable/
8 GitHub Copilot documentation.