定位入口、组织实验、解释结果
从打开仓库到推进一组实验
Agent Skills 把项目事实、实验步骤和输出文件串起来，让你跳过目录背诵直接进入实验。
如果你的任务涉及协议语义解释、实现补齐或和规范逐条对照，建议先把相关 PDF 放进仓库。这样 Agent 的解释会更有依据；如果你只是先跑现成场景，这一步不是硬前提。
- 前往 灵衢官网 (unifiedbus.com) 下载《灵衢基础规范》PDF
- 将 PDF 放入项目的
dev-knowledge/specification/目录 - 如果研究会涉及 CHI，也可以把对应规范放到同一目录
准备好之后，Agent 在解释协议问题或辅助实现时，就能把代码、文档和实验现象放在一起交叉核对。
先说明你的研究目标
先把目标说清楚，例如你想比较哪种路由、观察哪类结果、或者理解哪段实现。Agent Skills 会帮助你把问题映射到仓库里的现有入口。
Agent：先定位 `clos_32hosts_pod2pod`，再说明应该如何运行以及输出里该看什么
让 Agent 帮你对齐入口和参数
Agent 会帮助你识别现成场景、相关脚本、关键参数和结果目录，避免你一上来就在配置文件和源码之间来回跳。
Agent：指出这些参数分别落在哪些配置项里，并整理新的运行命令与检查点
围绕结果继续追问
仿真跑完后，Agent 可以把 `task_statistics.csv`、`throughput.csv` 和源码中的相关逻辑一起串起来，帮助你判断哪些现象有证据支持，哪些还需要继续验证。
Agent：先对比端口吞吐和任务完成时间，再提示可能的拥塞热点与还需补查的证据
在人工确认下继续迭代
后续可以让 Agent 帮你整理下一轮实验、定位实现入口、补充验证命令，但策略是否合理、结论是否成立，仍然由研究者自己把关。
Agent：切到 `routing-adaptive` 相关入口，并按相同指标组织两组结果对比
基于实际上下文，而不是通用答案
Agent Skills 把规范文档、实验入口、协议参数和结果文件纳入 AI 工具的理解范围，让回答更贴合你手头的具体实验。
读取项目约束
进入仓库后，Agent 会先读取对应层级的规则和说明文件，知道哪些目录该怎么改、哪些命令该怎么跑。
识别现成入口
它知道预置场景、拓扑脚本、trace 工具和关键源码大致落在哪些位置，能先帮你把问题映射到具体入口。
对照规范与代码
当本地规范已准备好时，Agent 可以把规范条款和代码实现对应起来，减少只看一边造成的误读。
解释实验输出
仿真完成后，它能围绕 `task_statistics` 和 `throughput` 这些结果文件组织解释，并标注每条结论的依据来源。
查询真实参数
它直接从项目源码和文档中确认参数入口和默认值，精确到具体的 Attribute 或 GlobalValue。
提示风险边界
它会提醒常见误区，例如把结果解读当成事实、跳过验证步骤，或者在不了解目录职责时直接乱改代码。
让每次实验的发现都留下来
仿真研究的价值在于不断积累。Agent Skills 能让 AI 工具把每次对话里重要的判断和发现保存下来，让下一次实验从这次的结论出发，而不是每次都从零开始。这种 insight capture 机制正是 Agent Skills "越用越准"的核心：每次有价值的判断都沉淀成下一次实验的起点。
重要发现可以留存
每次实验里和 AI 达成的关键结论 — 配置的边界、现象的规律 — 都可以被记录下来，以后随时调出来用，不会随着对话窗口关闭而消失。
新实验关联旧经验
下一轮实验开始时，Agent Skills 让工具能把当前问题和已有记录对上，主动关联之前注意到的关键线索，不需要你重新交代背景。
研究越做越有方向
随着记录积累，Agent Skills 的上下文越来越贴合你的研究方向，工具给出的建议也越来越有针对性，而不是每次给出相同的泛化回答。
覆盖从上手到深入的常见任务
Agent Skills 补足了 AI 工具缺少的项目上下文。以下是它让 AI 工具能做到而通用对话做不到的典型场景。
解释规范与代码的对应关系
Agent Skills 内置了 UB Spec 条款与代码实现路径的映射，让 AI 工具能直接把规范语义和代码入口对上，不用你手动翻文档。
定位代码插入点
Agent Skills 知道路由、拥塞控制、流量调度的代码结构，让 AI 工具能直接告诉你在哪里改、改什么会影响什么，而不是让你自己搜文件树。
生成仿真 case 配置
Agent Skills 知道 case 目录结构、traffic.csv 和 node.csv 的格式约束，让 AI 工具能直接生成符合规范的新实验 case，而不是让你对照示例手动调。
解读结果文件
Agent Skills 知道 trace 文件格式、throughput.csv 的字段含义和典型异常模式，让 AI 工具能直接把数字对应到协议行为，而不是只给通用的排查建议。
核查参数配置
Agent Skills 知道规范默认值和参数间的约束关系，能帮你检查 network_attribute.txt 里哪些设置有冲突或偏离规范基线，而不是让你逐条比对。
识别现有 case 入口
Agent Skills 知道每个 scratch case 对应的场景和用途，让 AI 工具能直接告诉你从哪个 case 出发、哪些参数需要调整，而不是让你自己浏览目录。
从预置场景进入项目
Agent Skills 适合和这些预置入口配合使用。先跑通一组结果，再决定改哪一层、换哪种策略、扩到多大规模。
双节点
最适合先确认命令、输出结构和单机制行为，再往更复杂拓扑推进。
最小验证入口策略成对对比
成对 case 适合做 A/B 对比，能帮助 Agent 更快把实验口径和结果指标对齐。
对比实验入口32 节点 Clos
这是最典型的多路径研究入口，适合观察路由、拥塞控制和故障注入的联动效果。
多路径研究入口4x4 FullMesh
适合看 All-to-All 和广播型流量在更密集连接关系中的行为特征。
复杂通信模式使用前须知
我完全不懂 ns-3 或 C++，能用吗？
可以。它在找场景、看结果和理解目录结构时尤其有效，能帮你快速进入项目。随着使用深入，你会逐渐建立起自己的工程判断。
Agent Skills 和普通的 AI 对话有什么区别？
Agent Skills 是规则文件，让 Cursor、Claude Code 等工具理解规范条款、实验入口、参数语义和结果文件，给出更贴合项目的建议，而不是通用回答。规则本身随仿真实践持续沉淀，越用越准。
支持哪些 AI 工具？
当前主要面向 Cursor、Claude Code 和 Codex 这类能读取仓库规则的工具。它通过仓库内的 AGENTS.md 和技能文件生效，打开仓库即自动加载。
我能添加自己的规则吗？
可以。你可以在对应目录补充或修改 `AGENTS.md`，让 Agent 在更局部的范围内遵循新的约束。这样很适合把实验习惯、目录职责和团队约定写进仓库。
仿真结果可靠吗？
仿真结果的可靠性由平台建模精度和你的参数设置保障。Agent Skills 帮助你更高效地组织实验、定位参数和解读输出。