NVIDIA 於 2026 年 10 月 1 日公布 DOCA AI agent skills，針對 BlueField DPU 的 DOCA 開發，為通用 AI 代理提供一套較可靠的領域上下文。這些 skills 以輕量的 SKILL.md 格式組織，包含已驗證的 API 簽名、硬件能力要求、構建環境限制及常見失敗模式，涵蓋 DOCA Flow、GPUNetIO、PCC、RDMA 等組件。
NVIDIA 的核心論點是，通用代理即使懂得編程，也不一定知道某一個硬件平台真正支援甚麼。若模型只依賴訓練資料中的模式，它可能自行猜測函式名稱、旗標、容器版本或硬件功能，然後把錯誤留給開發者在編譯、連線或真實設備上才發現。Skills 的作用，是把可供代理推理的契約和前置條件，放到工作流一開始。
為了量化差距，NVIDIA 以 65 個真實 DOCA 開發提示比較有沒有載入 skills 的代理，按每個任務的 checklist 評分。官方表示，沒有 skills 時，代理在 59 個提示誤用 API 或旗標、46 個提示沒有驗證硬件能力、39 個提示選錯工具路徑、34 個提示跳過 smoke test，30 個提示自行猜測版本；整體只符合 19% 的 checklist 項目，載入 skills 後則在這組測試中符合全部項目。這是 NVIDIA 自己設計的評估，不是獨立基準或所有代理的普遍結論。
文章列出的另一個重點是高風險硬件操作。當任務涉及 live DPU 或 firmware-level 變更，skill 會要求代理先做 inventory 和 capability preflight，確認 out-of-band 路徑、維護時段及 rollback 計劃，並提醒某些變更要冷重啟才會生效。這些要求並非讓代理獲得無限制的硬件控制，反而是把「先確認條件、再動手」寫進代理的推理框架。
NVIDIA 亦分享 side-by-side demo：在一個 BlueField-3 RDMA 應用任務中，載入 skills 的代理據稱少寫 73% 手工代碼，使用的硬件指令少 46%。這種數字可以說明領域上下文可能減少試錯，但它仍受提示、代理、任務設計及評分方式影響，不能直接推論所有硬件開發都會有相同收益。
這個發布對 AI agent workflow 的啟示，是「上下文」開始由自然語言說明走向可驗證的執行契約。Skills 可以把 API、平台能力、構建限制、測試及回滾要求放在同一個可版本控制的文件內，令代理知道甚麼可以做、甚麼要先查，以及何時應該停下來。不過，skill 本身也要維護、審查和測試，否則一份過時的 machine-readable 規格同樣可能把錯誤擴大。
因此，DOCA agent skills 更適合被理解為一個降低猜測的 guardrail 層，而不是自動保證正確的魔法文件。團隊仍要在實際硬件、固定版本和隔離環境中運行測試，保留變更紀錄，並把 live firmware 操作交給有權限和有人審批的流程。對領域專門的 agent 來說，讓模型知道限制，往往與讓模型知道答案同樣重要。
