不再手动同步 Prompt 与 Skill：Nacos AI Registry 构建 Agent 时代的“代码仓库”

作者：墨松、席翁

Skill 散在各处，缺乏可信来源

AI Agent 正在进入日常工作。写代码、做评审、整理文档、排查问题时，很多人会把反复使用的经验沉淀成 Skill，让 Agent 按固定规则执行。

以文档格式 Skill 为例。技术方案、接口文档、故障复盘不是只给自己看的文档，通常要在研发、测试、产品、项目成员之间流转和评审。团队会希望标题层级、参数表字段、风险说明、评审清单保持一致，于是你先把这套规则写成一份 Markdown Skill，在 Codex 里跑通。

很快，这份 Skill 就不只服务于一个人：同事要在 Claude Code 里生成同样格式的接口文档，项目成员想在 Cursor 或 Qoder 里复用同一套故障复盘规范。Skill 开始从“一个人的本地文件”变成“多人共用的团队规范”。真正麻烦也从这里出现：

1. 版本不一致： Codex 里已经补了风险说明，Claude Code 还停在旧版，另一个成员的 Cursor 目录里又有一份同名 Skill。

2. 手动同步成本高： 每次改完都要复制到其他 Agent，还要提醒其他使用者更新。漏掉一个目录或一个人，下一次生成出来的文档就会回到旧规则。

3. 冲突不好判断： 两个 Agent 或两个成员手里都有同名 Skill，但内容不同，使用者很难确定该保留哪一份。

4. 状态不可见： 哪些 Skill 已经同步，哪些有本地改动，哪些和其他副本冲突，单靠目录文件看不出来。

5. 共享缺少边界： 当这份 Skill 作为团队规范使用时，谁能改、谁能用、哪一版稳定、出了问题怎么退回，都需要明确规则。

这些问题不是 Agent 数量本身造成的，而是 Skill 没有统一入口。没有可信来源，使用者只能在本地目录、群文件和 Agent 配置之间反复确认。

给 Skill 一份可信来源

针对上面的版本不一致、手动同步、冲突判断和共享边界问题，Nacos AI Registry 给出了一条可落地的 Skill 管理路径：先把本机多个 Agent 的 Skill 收拢成一份，再把需要跨设备、团队共享、审核和发布的 Skill 放进 Registry，形成远端可信来源。

第一步：先本机统一，再进入 Registry

Nacos Skill Sync 的 Local mode 负责本机统一。它在本机建立中心仓库，通过软链接或复制方式关联 Codex、Claude Code、Cursor、Qoder 等 Agent 目录。同一份 Skill 只维护一份，后续修改也会同步到本机多个 Agent，减少手动复制和同名副本冲突。Local mode 的使用细节，见《别再手动复制 Skill 了：多 Agent 时代的 Skill 管理方案》。

Local mode 的边界在于本机。只要涉及跨设备、团队共享、安全审核、版本发布和回滚，就需要一个远端统一入口来承接 Skill 的来源、状态和分发，这就是 Nacos AI Registry 要解决的问题。

Nacos AI Registry 支持多种 Skill 来源：本地沉淀的 Skill 通过 Nacos CLI 上传，新的 Skill 在平台内创建，外部市场、开源社区或存量目录里的 Skill 通过导入进入 Registry。进入 Registry 后，不同来源的 Skill 会收敛到同一个资源入口，后续再进入元数据、生命周期、安全审核和版本发布流程。

第二步：让 Skill 具备可管理的资源属性

进入 Registry 后，Skill 不再只是一份 Markdown 文件。 它会带上名称、描述、owner、适用场景、标签、版本和生命周期状态。

这些信息展示了一个 Skill 是干什么的、谁负责维护、适合哪些 Agent 或场景、当前处于 draft、review 还是 online。Agent 也能按版本或 label 拉取，比如 latest、stable、dev，关键工作流还能锁定某个稳定版本。

这一步解决的是“哪份可信”的问题。没有元数据和生命周期，只能靠人记；进入 Registry 后，Skill 才开始具备资产属性。

第三步：共享之前先完成准入

能共享，只解决效率；敢共享，才进入工作流。 Nacos AI Registry 在 Skill 发布前承接安全扫描和审核流程。

一个外部 Skill 可能包含外部 URL、危险命令、敏感信息、数据外发逻辑或不合规依赖。内部自研 Skill 也可能在迭代中引入错误规则。Registry 先把风险暴露出来，再交给 owner 结合业务判断。

扫描发现可疑 Token、危险命令或外链后，owner 打回修改；如果属于误报或可接受风险，则继续推进。这样既能使用外部生态，也保留自己的安全边界。

第四步：用隔离和权限控制共享边界

共享不等于人人可改。 Nacos AI Registry 通过命名空间隔离不同团队、项目或环境。A 团队的 Skill 不会影响 B 团队，测试环境沉淀的 Skill 也不会直接进入生产环境。

Skill 维度也有可见性控制。适合共用的 Skill 设为公开可用，让成员都能发现和拉取；涉及敏感流程、内部系统或特定项目的 Skill，则限定在成员范围内使用。

owner 负责维护内容和发布节奏，协作者参与修改后，新版本仍要经过审核和发布流程。这样既能共享能力，又能避免“谁都能改、改完就生效”的失控状态。

第五步：用版本、Label 和回滚控制影响面

Skill 和代码一样，也需要可控发布。 一个 Skill 先处于 draft，再进入 review，审核通过后 online。发布后的版本保持稳定，不会被随意覆盖。

通过 label 管理使用范围。文档格式 Skill 使用 stable 标签，团队生成文档时用同一套规则；项目接入 Skill 保留 dev 标签，用来验证新流程；排障 Skill 如果影响值班流程，先小范围验证，再扩大到更多成员。

Skill 会持续迭代，也会出现错误版本。出现问题时，可以下线问题版本，切回上一个稳定版本，或者把 label 重新指向已验证版本。Registry 记录谁上传、谁审核、谁发布、绑定了哪个 label，问题定位不再靠事后猜测。

第六步：通过 Nacos CLI 和 Skill Sync 进入 Agent

Registry 里的可信版本，最终要进入 Agent 的日常工作流。 Nacos CLI 负责连接 AI Registry：拉取已发布 Skill，也能把本地沉淀的 Skill 上传到 Registry。Skill Sync 则负责把同一份 Skill 同步到 Codex、Claude Code、Cursor、Qoder 等 Agent 目录。

这个环节只需要理解两件事：先在 Nacos AI Registry 中完成审核和发布，再通过 Nacos CLI / Skill Sync 把对应版本同步到本地 Agent。具体的 Local mode、Registry mode、状态查看和冲突处理，可以参考《别再手动复制 Skill 了：多 Agent 时代的 Skill 管理方案》。

只有完成这一步，Skill 才不只是平台里的资产，而是 Agent 实际执行任务时会遵守的工作方法。

从接入、元数据、准入、权限、发布到使用，这条链路让 Skill 管理从“保存文件”变成“治理资产”。

两种落地方式：开箱即用，或者自己部署

AI Registry 有两种落地形态：可公网访问、开箱即用的 AI 治理中心；自行部署的开源 Nacos AI Registry。

两种形态服务同一个目标：让 Skill 和其他 AI 资源进入统一治理入口。差异主要落在三个方面：部署成本、网络可达性、治理能力接入方式。

其中，AI 治理中心 [ 1] 是阿里云微服务引擎 MSE 旗下的 AI 资产管理平台，面向 Agent 开发者提供 Skill、Prompt 等 AI 资产的注册、版本管理、安全审核与分发能力。把 Skill 注册到 AI 治理中心后，本地 Agent 能按版本或标签拉取，不再依赖手动拷贝文件。

可公网访问、开箱即用的 AI 治理中心

先跑通 Skill 管理闭环，再逐步加深治理策略。

• 免自建：进入 AI 治理中心创建工作空间或命名空间，上传高频 Skill，配置访问控制，再让本地 Agent 拉取已发布版本。
• 公网访问：本地开发机、远程办公设备、新成员电脑不必先进入同一私网，Agent 直接通过公网入口获取 Registry 中的可信版本。
• 安全护栏：AI 治理中心接入安全护栏，扫描敏感信息、危险命令、外部 URL、数据外发和依赖风险；外部 Skill 经过安全护栏和 owner 审核后再发布。Skill 版本和发布操作见AI 治理中心 Skill 管理指南 [ 2] 。
• 私网访问：企业需要更强网络隔离时，AI 治理中心支持私网访问，把 Skill 管理接入内部网络和权限体系，同时保留托管产品的低运维成本。
• 工具接入：通过 Nacos CLI 接入 AI 治理中心，把已发布 Skill 同步到本地 Agent。命令行接入方式见Nacos CLI 接入 AI 治理中心 [ 3] 。

自己部署的开源 Nacos AI Registry

把 Registry 纳入企业自己的基础设施和治理流程。

• 自行部署：自己准备运行环境、网络、存储和运维机制，Registry 完整运行在企业掌控的基础设施里。
• 系统集成：开源形态能接入内部账号、权限系统、安全扫描平台、发布系统和自研 Agent 平台。
• 治理扩展：基于 Nacos 的开放能力接入自己的治理流程，并按照企业内部要求扩展审核、分发和资源管理策略。
• 长期建设：当私有化、定制化和平台集成成为核心诉求，开源 Nacos AI Registry 能作为长期底座承接治理能力。

两种形态并不割裂。先用开箱即用的 AI 治理中心验证 Skill 管理链路；当私有化、定制化和平台集成成为核心诉求，再基于开源 Nacos AI Registry 做长期建设。

最佳实践：用一个高频案例跑通闭环

比起一次性设计完整治理体系，更稳妥的方式是先选一个高频 Skill，把接入、审核、发布和使用链路跑通。开始依赖它之后，再补充更细的权限、版本和回滚策略。

下面用“文档格式 Skill”作为例子。

场景：团队文档格式不一致

技术方案、接口文档、故障复盘经常需要统一格式。标题层级、参数表字段、风险说明、评审清单如果没有固定规则，Agent 生成的文档会因人而异。

过去可能会发一个模板。但模板很容易变旧：有人复制的是上个月版本，有人复制的是去年版本；新同学接手项目时，还要问一遍最新模板在哪里。

第一次沉淀：把规则写成 Skill

先把标题层级、参数表字段、风险说明、评审检查项写进 doc-format Skill，由 owner 维护初始版本。

这个阶段不需要把所有流程一次性设计完。先让 Skill 进入 Nacos AI Registry，补充描述、owner、适用场景和标签，让成员能在统一入口里找到它。

准入：先审核，再给团队使用

文档格式 Skill 风险相对低，但仍然应该走准入流程。Registry 会在发布前检查敏感信息、外部链接、危险命令等风险项。owner 根据扫描结果处理误报或修改问题内容。

如果从外部市场导入 Skill，也走同一条路径：先进入 Nacos AI Registry，再经过安全扫描和 owner 审核，最后发布给团队使用。

发布：用 stable 和 dev 控制节奏

审核通过后，把 doc-format Skill 发布为稳定版本，并绑定 stable 标签。日常文档生成都使用 stable，保证每个 Agent 读取同一套规则。

后续如果要调整参数表字段或风险说明，先发布到 dev 标签，让少量成员试用。确认效果稳定后，再把 stable 指向新版本。出现问题时，直接把 stable 切回上一版。

使用：让 Agent 从 Registry 拉取同一份规范

团队成员通过 Nacos CLI 或 Skill Sync 把已发布的 doc-format Skill 同步到本地 Agent。Codex、Claude Code、Cursor、Qoder 使用的都是 Registry 中经过审核和发布的版本。

这时复用的不再是一份容易过期的模板，而是一套持续进入 Agent 工作流的文档规范。新成员加入、换设备办公、切换 Agent，都不需要重新找文件、复制目录、确认哪份最新。

扩展：从一个 Skill 走向团队治理

文档格式 Skill 跑通后，同一条路径能扩展到 PR Review、项目接入、发布检查、线上排障等高频场景。

每个 Skill 都先有 owner 和适用场景，再进入审核、发布、分发和回滚流程。不必一开始就把治理体系做得很重，但应该从第一个高频 Skill 开始，把可信来源建立起来。

未来：从 Skill 治理到 AI 资源自进化

Skill 管理只是第一步。Nacos AI Registry 后续还要承接两类问题：真实任务里的有效经验如何进入 Skill 治理链路，Skill 之外的 Prompt、MCP、AgentSpec 等 AI 资源如何通过 ARD 被统一发现、管理和使用。

具体来看：

1. 形成 Skill 自闭环进化：Agent 在真实任务中产生经验，经验沉淀为候选 Skill，Nacos AI Registry 负责审核、发布和分发。Agent 再使用已发布的 Skill，并在新的任务中继续产生反馈。之前介绍过的SkillClaw是一条实践路径：它从 Agent 的任务执行和反馈中提炼可复用经验，生成候选 Skill，再交由人审核后进入 Registry。未来还会接入其他自进化架构，只要它们能把执行轨迹、人工修正和评审意见沉淀为候选 Skill，就能复用 Nacos AI Registry 的审核、发布和分发链路。

2. 接入 ARD，走向统一 AI Resource Registry：ARD（Agentic Resource Discovery）是一套面向 Agentic Resources 的发现与搜索规范，用统一的 ai-catalog、搜索接口和版本化产物描述 MCP、A2A Agent、Skill 等资源，官方规范见Agentic Resource Discovery Specification [ 4] 。接入 ARD 后，Nacos AI Registry 将通过标准协议面向不同 Agent 提供资源发现和使用入口，治理对象也会从 Skill 扩展到 Prompt、MCP、AgentSpec 等 AI 资源。Agent 不需要分别理解每套资源管理方式，也能在同一套入口里处理资源来源、可信度、权限、版本和止损。

结语

多 Agent 协作会越来越常见，团队真正需要管理的，不只是用哪个 Agent，而是这些 Agent 共同依赖的 Skill、Prompt 和其他 AI 资源。

当 Skill 还散在个人电脑、群文件和临时脚本里，团队很难判断哪份可信、哪个版本在线、出了问题该退回哪里。把 Skill 放进 Nacos AI Registry，再通过 AI 治理中心或开源 Nacos AI Registry 落地，团队才能把“能用的经验”变成可审核、可分发、可追溯的资产。

无论从开箱即用的 AI 治理中心开始，还是从自建开源 Nacos AI Registry 开始，目标都是一样的：让团队 Skill 有一份可信来源。Agent 会继续变化，团队的 Skill 不应该继续散在各处。

欢迎大家从一个高频 Skill 开始使用 AI 治理中心或开源 Nacos AI Registry。使用过程中如果发现问题，或者对 Skill 管理、同步、审核、分发有更好的建议，也欢迎随时反馈给我们。

相关链接：

[1]AI 治理中心控制台

mse.console.aliyun.com/#/ai-regist…

[2]AI 治理中心 Skill 管理指南

help.aliyun.com/zh/mse/user…

[3]Nacos CLI 接入 AI 治理中心

help.aliyun.com/zh/mse/user…

[4]Agentic Resource Discovery Specification

agenticresourcediscovery.org/spec/

[5]Nacos CLI

github.com/nacos-group…

[6]Nacos 开源地址

github.com/alibaba/nac…

[7]Nacos Skill Sync

nacos.io/skill-sync/…

[8]Nacos Skill Sync 方案介绍：《别再手动复制 Skill 了：多 Agent 时代的 Skill 管理方案》