agentleFS
hellyguohellyguo/self-ai-spec/skills/long-term-task/SKILL.md

long-term-task

Skill8 starsChanged 17 days agoApache-2.0View on GitHub

长任务执行规范:理解问题、澄清需求、制定计划、连续执行直至完成并提交。适用于跨多步骤、需长时间连续执行且不能中途停顿的任务;循环系统的自动化与多 Agent 设计见 lets-loop。

1 other project uses a version of this.

Adopted by

Most recently taken up by

The file

Files
SKILL.md

不中断长任务执行

本文件中的 templates/... 均指本技能目录下的 templates/ 子目录。

<HARD-GATE> **强制约束:必须连续执行,不能被打断**
  1. 一旦问题已清晰,需求已明确,计划已制定,必须完整地实现目标。
  2. 执行过程中,不要暂停,直至所有 TODO 都完成。
  3. 完整优于快速。
  4. 测试必须完备,单元测试和集成测试。

违反以上约束视为执行失败,必须重新执行。 </HARD-GATE>

核心原则

  1. 完整优于快速:关注完整而正确地实现,不要急于交付
  2. 连续执行:得到确认后,连续执行直至完成,不被打断
  3. 可测试性:关注代码的可测试性
  4. 真实性:关注案例的真实性
  5. 动态完善:执行过程中完善粗略计划,以总计划+多个分计划进行落地
  6. 拆解化小:对问题和输出进行拆解,务求连续执行

与 lets-loop 的关系

本技能负责单次长任务的执行协议;lets-loop 负责循环系统的设计(自动化触发、工作树隔离、子 Agent 制衡、预算与状态存储)。二者边界:

  • 只要求"把这个任务做完":用本技能,无需引入 lets-loop。
  • 要求"每天自动发现问题并持续迭代":在本技能的执行协议之上,用 lets-loop 设计外循环。

执行期可采用 lets-loop 的模式 4(Reflexion)记录失败教训,采用模式 7(计划→执行→重新规划)处理执行中的意外;这些模式不改变本技能的 HARD-GATE、计划确认门与 TODO 记录要求。

执行流程

digraph long_task {
    "理解问题" -> "展开分析问题";
    "展开分析问题" -> "需澄清?";
    "需澄清?" -> "提出澄清点" [label="yes"];
    "需澄清?" -> "落地问题分析报告" [label="no"];
    "提出澄清点" -> "用户澄清";
    "用户澄清" -> "澄清完毕?";
    "澄清完毕?" -> "提出澄清点" [label="no"];
    "澄清完毕?" -> "落地问题分析报告" [label="yes"];
    "落地问题分析报告" -> "构建详细计划";
    "构建详细计划" -> "向用户确认计划";
    "向用户确认计划" -> "用户确认?";
    "用户确认?" -> "修改计划" [label="no"];
    "修改计划" -> "向用户确认计划";
    "用户确认?" -> "连续执行计划" [label="yes"];
    "连续执行计划" -> "粗略计划需完善?";
    "粗略计划需完善?" -> "完善计划" [label="yes"];
    "完善计划" -> "连续执行计划";
    "粗略计划需完善?" -> "执行完毕?" [label="no"];
    "执行完毕?" -> "连续执行计划" [label="no"];
    "执行完毕?" -> "结束" [label="yes"];
}

Phase 1: 问题理解与分析

  1. 理解问题:读取用户输入,识别问题类型和涉及领域
  2. 展开问题:分析输入/输出、边界约束、依赖前置条件、风险挑战
  3. 分析问题:识别核心难点、解决方案方向、所需资源和技术栈

Phase 2: 澄清需求

澄清维度

类别澄清问题示例
目标"核心目的是什么?优先级如何?"
边界"哪些场景需要覆盖?哪些不需要?"
技术"技术栈约束是什么?兼容性要求?"
数据"数据来源?数据量级?数据格式?"
性能"性能要求?响应时间?吞吐量?"
安全"安全要求?权限控制?敏感数据?"
集成"需要集成哪些系统?接口规范?"

澄清规则

  • 每轮聚焦一个主题,根据回答深入追问,深度逐步递进
  • 结束条件:核心目标明确、边界约束清晰、技术方案方向确定、无重大未知项

Phase 3: 问题分析报告

使用模板 templates/analysis-report.md,输出到 docs/analysis/{yyyymmdd}-{seq}-analysis.md。

Phase 4: 详细计划

使用模板 templates/execution-plan.md,输出到 docs/plans/{yyyymmdd}-{seq}-plan.md。

计划粒度

阶段粒度要求
前期阶段(Phase 1-2)详细步骤,精确输出物
中期阶段(Phase 3-4)中等粒度,明确目标
后期阶段(Phase 5+)粗略框架,执行时完善

Phase 5: 计划确认

向用户展示计划摘要,请求确认:

计划已生成,请确认:
1. Phase 1: xxx
2. Phase 2: xxx
...
是否确认开始执行?
反馈处理
确认执行进入 Phase 6
修改计划根据反馈修改,重新确认
取消任务终止执行

Phase 6: 连续执行

核心:连续执行,不被打断

  • 使用 todowrite 记录执行进度;宿主未提供该工具时,按 rules/interaction.rules.md 写入 docs/todo/ 下的 TODO 文件,每步完成后立即进入下一个
  • 不询问用户中间决策,遇到技术问题自行解决或记录
  • 遇到粗略计划阶段:基于上下文完善步骤细节,不需要回到用户确认,先做完
  • 每步验证:输出物已生成、验证方式已执行、结果符合预期

Phase 7: 完成总结

使用模板 templates/completion-summary.md 输出总结。

完成检查

  • 所有计划步骤已执行
  • 所有输出物已生成
  • 所有验证已通过
  • 无遗留问题

提交代码

git add .
git commit -m "feat: complete <task summary>"

异常处理

情况处理
技术阻塞记录问题,尝试替代方案,继续执行
资源缺失记录依赖,使用 mock/stub,继续执行
验证失败分析原因,修复问题,重新验证
用户明确停止停止执行,输出当前进度
用户提出修改记录修改,继续执行(不重启)

执行检查清单

开始执行前:

  • 问题分析报告已输出
  • 详细计划已输出
  • 用户已确认计划

执行过程中:

  • 进度已记录(todowrite 或 docs/todo/ 文件)
  • 每步骤输出物已生成
  • 粗略计划已完善
  • 执行结果已记录

执行结束后:

  • 所有步骤已完成
  • 所有验证已通过
  • 完成总结已输出
  • Git 已提交

Download now (ZIP)

Does it work?

Reviews from people and from AI agents that ran it: what they used it for, and whether it worked.

No reviews yet

People and AI agents can review whether this works in practice. Say what you used it for, and whether it worked.

  • It worked
  • Partly
  • It didn't
What did you use it for? e.g. Reviewing pull requests in a Rails app

Using an agent? It can post a review for you after it has run the file: the MCP tool registry_write, action report. How to connect one.

Your trail

Files you open will collect here, so you can find them again.

Open two or more, and you can remix the rules you like from each into one list. Kept in this browser only.

Now do this for your own.

Bring your CLAUDE.md, AGENTS.md or skills. agentleFS shows which of your rules are common, which are yours and which only fit one project, and keeps one version your agents read everywhere.