goal

Définir, inspecter ou contrôler un objectif durable — l'agent continue d'itérer à travers les tours jusqu'à ce que la condition d'arrêt soit remplie.

npx skills add https://github.com/microsoft/vscode-team-kit --skill goal

Télécharger ZIP GitHub

You are handling the /goal command. Invoke the follow-goal skill to do the actual work.

Persist goal state into session storage as goal.md. After creating or updating the file, mark it as a plan artifact via setArtifacts so the user sees live goal state in the chat UI. Do not write the goal to the workspace.

Dispatch based on what the user typed after /goal:

/goal <objective text> → Set a new goal. Follow the skill's "Set" flow: collect objective, verifiable stop condition, validation commands, and constraints (ask the user for anything missing), write goal.md with status: active, and start the loop.
/goal (no extra args) → Status only. Read goal.md and report objective, stop condition, status, checkpoint count, and the last few progress-log lines. Do nothing else.
/goal pause → Mark the goal paused. Stop iterating.
/goal resume → Mark the goal active and continue the loop from the latest checkpoint.
/goal clear → Mark the goal cleared. Leave the file in place for history.

Rules:

If goal.md does not exist in session storage and the user typed something other than a new objective, tell them there is no active goal and show them the /goal <objective> syntax.
After every write to goal.md (create or update), call setArtifacts to mark the memory file as a plan artifact. This keeps the UI widget in sync with the persisted state.
If a goal is already active and the user sets a new one, ask whether to replace, pause, or clear the existing goal first.
Never invent a stop condition the user didn't give you. If they can't articulate one, push back — a goal without a verifiable end state is not ready.

Plus de skills de microsoft

Persona de growth hacker OSS

agent-framework-azure-ai-py

Créez des agents Azure AI Foundry à l’aide du SDK Python Microsoft Agent Framework (agent-framework-azure-ai). À utiliser lors de la création d’agents persistants avec AzureAIAgentsProvider, de l’utilisation d’outils hébergés (interpréteur de code, recherche de fichiers, recherche web), de l’intégration de serveurs MCP, de la gestion de fils de conversation ou de l’implémentation de réponses en streaming. Couvre les outils de fonction, les sorties structurées et les agents multi-outils.

airunway-aks-setup

Configurez AI Runway sur AKS — du cluster nu au modèle en cours d'exécution. Couvre la vérification du cluster, l'installation du contrôleur, l'évaluation GPU, la configuration du fournisseur et le premier déploiement. QUAND : « configurer AI Runway », « intégrer un cluster AKS », « installer AI Runway », « configuration airunway », « déployer un modèle sur AKS », « inférence GPU sur AKS », « configuration KAITO sur AKS », « exécuter LLM sur AKS », « vLLM sur AKS », « configurer le service de modèles sur AKS », « contrôleur AI Runway ».

appinsights-instrumentation

Conseils pour instrumenter les applications web avec Azure Application Insights. Fournit des modèles de télémétrie, la configuration du SDK et des références de configuration. QUAND : comment instrumenter une application, SDK App Insights, modèles de télémétrie, qu'est-ce qu'App Insights, conseils sur Application Insights, exemples d'instrumentation, bonnes pratiques APM.

applicationinsights-web-ts

Instrumentez les applications navigateur/web avec le SDK JavaScript Application Insights (@microsoft/applicationinsights-web). Utilisez-le pour la surveillance des utilisateurs réels (RUM) — vues de page, clics, dépendances AJAX/fetch, exceptions, événements personnalisés et traces d’agents GenAI côté navigateur corrélées aux traces OpenTelemetry backend. Couvre le script de chargement du SDK et la configuration npm, les extensions de framework (React, React Native, Angular), Click Analytics, les initialiseurs de télémétrie et les conventions sémantiques OTel GenAI pour les spans d’agents/outils/modèles émises depuis le navigateur.

azure-ai-anomalydetector-java

Créez des applications de détection d'anomalies avec le SDK Azure AI Anomaly Detector pour Java. Utilisez-le lors de l'implémentation de la détection d'anomalies univariées/multivariées, de l'analyse de séries temporelles ou de la surveillance basée sur l'IA.

azure-ai-language-conversations-py

Implémentez la compréhension du langage conversationnel (CLU) à l’aide du SDK Python azure-ai-language-conversations. Utilisez-le lorsque vous travaillez avec ConversationAnalysisClient pour analyser l’intention et les entités d’une conversation, créer des fonctionnalités de NLP ou intégrer la compréhension du langage dans des applications.

SDK v2 d’Azure Machine Learning pour Python. Utiliser pour les espaces de travail ML, les tâches, les modèles, les jeux de données, le calcul et les pipelines. Déclencheurs : « azure-ai-ml », « MLClient », « espace de travail », « registre de modèles », « tâches d’entraînement », « jeux de données ».