在软件团队里，真正拖垮节奏的往往不是写代码本身，而是那条永远清不完的待办队列。Issue 越积越多，分不清哪些是真 Bug、哪些是脑暴、哪些早就该关掉。当你引入 AI 智能体来分担工作量之后，这个问题非但没有消失，反而被放大了——智能体很乐意去做事，但它无法替你判断「这件事到底该不该做、现在能不能做」。

开源作者 Matt Pocock 把这套困境称作「地狱级 Backlog」，并给出了一个相当工程化的解法：一个叫 triage 的技能（skill）。它的核心思想不复杂，却切中要害——把待办的生命周期编码成一台状态机，用标签（label）作为状态的物理载体，让人与 AI 在同一套规则下协作。本文将完整拆解这套方法论：它解决了什么问题、状态机如何设计、智能体如何接管队列，以及你该如何在自己的仓库里复刻它。

---

一、问题的起点：单兵作战的工具，撑不起团队

大多数围绕 AI 智能体搭建的「skill 体系」都有一个隐含前提：你是个独立开发者，所有想法都从你脑子里来，你天然知道每件事的上下文和优先级。在这种场景下，skill 工作得很好——你说一句话，智能体就去执行，因为「该不该做」这个判断已经在你脑中完成了。

但团队场景会彻底打破这个前提。一旦你开始处理别人的想法、为别人构建功能、或者维护一个有外部贡献者的开源项目，事情就变了：

• 别人提的 issue，到底是不是个好主意？值不值得做？
• 这是一份 Bug 报告吗？如果是，需不需要先复现？
• 这条需求是不是早就被否决过，只是提的人不知道？
• 哪些 issue 已经「足够清晰」，可以直接丢给智能体去实现？

这些判断本质上是一道翻译工序：把人类随手抛出的、模糊的、半成品的想法，翻译成结构清晰、边界明确、可被执行的任务。任何维护过一定规模项目的人都对这道工序无比熟悉，它也正是传统意义上「triage（分诊）」的含义。问题在于，当执行端从人换成 AI 智能体之后，这道翻译工序的重要性陡然上升——因为智能体不会像人那样在动手前自觉地停下来质疑任务本身。

管理 AFK（Away From Keyboard，即「离开键盘」的全自动）智能体，本质上是一门队列管理的学问。你真正在做的，是修剪一条队列，并充当人类与 AI 之间的翻译层。

triage 技能就是为这道工序而生的。

---

二、核心设计：把状态机编码进标签

triage 最聪明的地方，是它没有发明一套复杂的外部系统，而是直接复用了 GitHub Issue 自带的 label 机制，把一台状态机「物理地」编码进标签里。

整套标签被拆成两个正交的维度。

2.1 类别角色（Category Roles）

类别描述这条 issue「是什么」。当前只有两个，且对任何做过 triage 的人都不陌生：

• bug：缺陷报告
• enhancement：功能增强 / 新特性

这一维度刻意保持简单。它回答的是「这属于哪一类工作」，而把「现在处于什么进度」交给另一个维度。

2.2 状态角色（State Roles）

状态描述这条 issue「现在在哪一步」。它一共有五个取值，每一个都对应工作流中的一个明确节点：

状态	含义	谁在等待
needs triage	需要维护者看一眼，做初步判断	等维护者
needs info	信息不足，需要回去找报告者补充	等报告者
ready for agent	已完整定义，可交给全自动智能体接手	等 AI 智能体
needs human	需要人类亲自来实现	等人类工程师
won’t fix	不予处理，明确拒绝	终态，无人等待

这五个状态目前是「可商榷」的——作者也坦言未来很可能会扩展，但就当下而言已经足够好用。它们的价值在于：每一个状态都精确回答了「这件事现在卡在谁手上」，让队列的流动变得一目了然。

2.3 关键不变量：一类别 + 一状态

之所以说这是一台状态机而非简单的标签堆叠，是因为它带着一条铁律：

每一条被分诊过的 issue，必须恰好携带一个类别角色和一个状态角色。

换句话说，一条 issue 不可能同时是「ready for human」又是「needs triage」——这在逻辑上是矛盾的。这条不变量（invariant）正是状态机的灵魂：它保证了任意时刻，队列中每条任务的位置都是确定且唯一的，不存在模棱两可的中间态。

对于偏爱用状态机来约束系统行为的工程师来说，这种设计带来的好处是实打实的：你永远可以用一句简单的查询，把队列切成几个互不重叠的桶，分别交给维护者、报告者、AI 或人类工程师去处理。确定性，是把队列交给自动化的前提。

---

三、工作流：从混乱想法到可执行任务

有了这套标签状态机，triage 的实际用法就变得相当灵活。它至少支持三种粒度：

1. 分诊单条 issue：针对某一条具体 issue，判断它的类别与状态。
2. 扫描整个 Backlog：一句「把所有需要我现在关注的东西列出来」，就能把队列里真正需要决策的部分捞出来。
3. 推进状态流转：比如把某条 issue 从 needs triage 推到 ready for agent。

这里有一个值得玩味的细节：把一条 issue 标记为 ready for agent 并不是一个轻量动作。因为要让它「准备好交给智能体」，你必须为接手它的智能体写一份「任务简报（agent brief）」。triage 内置了一个 agent brief 模板，引导你把这条 ticket 写得足够完整、足够清晰。

这个设计的精妙之处在于：它把「写清楚需求」这件事，变成了状态流转的强制前置条件。你不可能在没想清楚的情况下，随手把一坨模糊需求丢给智能体——状态机的规则逼着你先完成翻译工序。这也正是 AFK 智能体能可靠工作的根基：智能体只挑选那些被明确标记为 ready for agent 的任务，从而不会在那些尚未就绪的「半成品」任务上瞎折腾、浪费上下文。

---

四、.out-of-scope：让智能体学会「自动说不」

分诊里最耗心力的一类决策，是「拒绝」。总有一些 enhancement 听起来合理，但你早就想清楚了它不符合项目方向。如果每来一条都要你重新解释一遍为什么不做，那 triage 永远快不起来。

triage 的解法是在仓库顶层维护一个 .out-of-scope 目录。每当你决定「这个我们不做」，就在这里留下一条记录。它的形态非常接近架构决策记录（ADR，Architecture Decision Record），只不过专门用来记录那些我们明确不会实现的特性。

举一个具体例子：Sandcastle（作者的项目）在这里写明——「Sandcastle 不提供用于组合 Dockerfile 或以编程方式管理基础镜像的抽象层」。

这条记录的威力在于：当智能体在分诊一条 enhancement 时，它会去翻这些 out-of-scope 记录。一旦发现新提的需求正好命中某条「我们不做」的决策，它就能直接关闭这条 issue，根本不需要打扰你。

本质上，.out-of-scope 把你过去做过的判断沉淀成了智能体可读的知识。你只需要把「不做」的理由写一次，之后所有撞上同一面墙的需求，都会被自动挡掉。这是一种典型的「用文档换决策带宽」的杠杆。

---

五、实战拆解：在真实仓库里跑一遍

光讲规则太抽象，下面用作者在 Sandcastle 仓库里的真实演示，把整条链路走一遍。

5.1 起手：批量初筛

打开仓库时，issue 列表是一片混沌：有些已经 ready for agent 并进了 PR，有些 needs triage 等着复看，有些完全没打标签，还有些标着 won’t fix。

第一步，在仓库里开一个新的 Claude 会话，敲下 triage，并补一句：「只给我那些我还没分诊过的 open issue。」智能体随即开始探索仓库，识别出项目使用 GitHub Issues，并很快报告：有 9 条未分诊的 open issue。

接着是一句很自然的指令：「能不能逐条过一遍，给它们都打上基础标签？做个初筛就好，让我少做点决策。」智能体便逐条扫过，把它们分别标成 bug 或 enhancement，并统一标上 needs triage。

这一步的意义在于：初筛是最廉价、也最适合交给 AI 的环节。它不需要深度判断，只需要把混沌的列表整理成结构化的、带标签的队列，为后续的精细决策铺好路。

5.2 深入：从分诊到诊断

初筛完成后，从 bug 开始处理通常更容易上手。作者挑了编号 477 这条：「先从 477 开始。」

智能体返回的建议是：确认为 bug，且推荐直接推到 ready for agent——理由是这条 issue 已经有相当充分的分诊笔记，定位到了确切的根因，还附带了可复现的堆栈跟踪。

但这里出现了一个值得所有人警惕的瞬间：智能体对报告者提供的信息「太轻信」了。报告写得头头是道，不代表结论就是对的。于是作者没有照单全收，而是调用了另一个技能——diagnose（诊断），要求智能体「自己动手复现并尝试修复」，而不是直接采信别人给的诊断。

5.3 diagnose：先写回归测试，再修

diagnose 技能的内部逻辑，与作者的 TDD（测试驱动开发）技能一脉相承，走的是一条严格的反馈闭环：

1. 先复现：智能体在同一个会话里动手复现这个 bug。很快它确认了根因——某几个变量里包含了字面量形式的 task ID，这种特定写法如果用户没有传入对应值，就会直接报错。修复方向是把这些写法换成不会触发错误的占位符模式。
2. 先写回归测试，再修复：在动手改代码之前，智能体先搭好一个单元测试脚手架，断言「最终生成的 prompt.md 中不再包含任何未解析的 task ID」。这就是 TDD 的精髓——先用一个失败的测试把 bug 钉死，再在这个反馈闭环里把它修绿。
3. 在闭环内完成修复：测试、类型检查一路跑通，修复水到渠成。

这套流程的价值远不止「修好了一个 bug」。它把「智能体容易轻信、容易跑偏」这个固有风险，用一个可执行的、客观的反馈信号（测试是否通过）锁死了。智能体可以自主推进，但它的每一步都必须经得起测试的检验。

5.4 收尾：推主干、关 issue

修复完成后，智能体加上了 changeset 和补丁。收尾有两条路：

• 直接把改动推到 main，并关闭原 issue；
• 或者创建一个 PR，让 PR 引用原 issue，这样在合并 PR 时会自动关闭对应 issue——这是更规范、也更可追溯的做法。

值得一提的是，作者透露这条 bug 的修复方案是事先经过人工核对的——演示里有一点「电影魔法」的成分。这恰恰是一种诚实且重要的态度：AI 负责把流程跑顺、把脏活干完，但关键判断仍然需要人来把关。

---

六、AFK 智能体与「软件工厂」：队列管理的哲学

把上面所有环节串起来，你会看到一个更大的图景。triage 真正服务的对象，是 AFK 智能体——那些你离开键盘后仍在后台自动干活的智能体。而要让这样的智能体可靠运转，前提是：必须有一条它能随时取用的、高质量的任务队列。

这正是标签状态机的终极用途。作者的 AFK 智能体软件——他称之为 Sandcastle，一个「软件工厂」式的系统——其调度逻辑（plan prompt）只做一件事：扫描带有 ready for agent 标签的 issue，并且只碰那些被明确标记过的。

这套机制带来的体验非常直观：你看着自己的 Backlog 里，一个个「ready for agent」的小标记慢慢填满，而你心里清楚，这些任务都会被自动实现。标签不再只是分类工具，它变成了人类向自动化系统下达的、可信赖的执行信号。

而专门为每个状态设计标签的意义也在此凸显：它确保智能体不会在那些尚未就绪的烂任务上瞎撞。队列里只有打了「ready for agent」的，才会进入执行通道——这是一道至关重要的安全闸门。

回到那句点睛之言：管理 AI、管理 AFK 智能体，归根结底就是队列管理。你扮演的是人类与 AI 之间的翻译层，把混乱的人类意图，修剪、打磨成一条干净、有序、可被机器消费的任务流。

---

七、与 PRD / Ticket 体系的协同

triage 并不是一座孤岛，它能和既有的产出物体系顺滑地咬合。

• PRD（产品需求文档）：你可以在仓库里写 PRD，比如一份关于「工作树锁定（work tree locking），防止多个智能体并发访问」的 PRD，并把它标记为 ready for agent。智能体会看到它、接手它。
• 基于 PRD 的 Ticket：你还能为 PRD 派生出具体的 ticket，让 ticket 通过父子关系挂在 PRD 之下，同样标记为 ready for agent，进入智能体的执行视野。

这意味着，从高层的需求文档（PRD）→ 拆解后的具体任务（ticket）→ 标记就绪（ready for agent）→ 智能体执行，整条链路是连贯的。triage 的标签状态机，恰好是把这条链路各个环节「焊接」起来的那层胶水。

---

八、如何在自己的项目里复刻

如果你也想把这套范式落地，下面是一份提炼出来的实操清单：

8.1 设计你的标签状态机

• 先定义类别维度：最简可以就是 bug 和 enhancement 两个。
• 再定义状态维度：参考 needs triage / needs info / ready for agent / needs human / won't fix 五态，按团队实际情况增删。
• 守住不变量：每条分诊过的 issue 恰好一个类别 + 一个状态。这条规则是整个系统能否自动化的命门，务必在流程（甚至 CI 校验）层面强制执行。

8.2 建立 .out-of-scope 知识库

• 在仓库顶层维护一个目录，把每一个「我们不做」的决策写成 ADR 风格的记录。
• 内容要写清楚边界：哪些能力明确不在项目范围内。
• 让分诊智能体在处理 enhancement 时优先查阅它，从而自动拒绝越界需求。

8.3 沉淀 agent brief 模板

• 准备一份任务简报模板，把「交给智能体前必须写清楚的信息」结构化。
• 把「写好 brief」设为流转到 ready for agent 的硬性前提，倒逼需求在进入执行队列前就被想清楚。

8.4 用反馈闭环约束智能体

• 对 bug，坚持「先复现、先写回归测试、再修复」的 TDD 式流程。
• 不要让智能体轻信报告者的诊断；用可执行的客观信号（测试通过与否）替代主观判断。

8.5 让执行端只认就绪信号

• 你的自动化调度逻辑，应当只扫描并执行带有就绪标签的任务。
• 这样即便队列里混入了未就绪的任务，也不会被误执行，安全闸门始终在线。

---

九、结语：协作的形态正在改变

triage 表面上是一个管理 GitHub issue 的小技能，但它背后折射的，是 AI 智能体时代软件协作形态的一次深刻转变。

过去，待办队列的两端都是人：人提需求，人来实现。现在，执行端正在被智能体接管，而人的角色被推向了更上游——做判断、定边界、写清楚、把好关。我们不再是流水线上的工人，而更像是流水线的调度员和质检员。

这套方法论里真正普适的，不是那五个标签的具体名字，而是几条底层原则：

• 用状态机给混乱的队列注入确定性；
• 用强制前置条件逼迫需求在执行前被想清楚；
• 用可沉淀的知识（out-of-scope、brief 模板）把一次性判断变成可复用的自动化资产；
• 用客观反馈闭环约束智能体的自由度，让它既能自主又不至于跑偏。

说到底，把 AI 用好的关键，从来不是让它做更多，而是先把「该做什么」想得足够清楚。当你把队列修剪干净、把规则定义明确，那些原本压得人喘不过气的「地狱级 Backlog」，才真正有机会被自动化的洪流冲刷干净。