agentleFS
mike22890mike22890/opencode-skills-cn/skills/long-task/SKILL.md

long-task

Skill1 starsChanged 2 months agoMITView on GitHub

长时间任务的防降级与状态管理。当任务预计超过 30 分钟、需要跨会话持续、或涉及多步骤复杂流程时使用。

3 other projects use a version of this.

Adopted by

Most recently taken up by

The file

Files
SKILL.md

Long Task(长任务防降级)

何时触发

关键词:长任务、复杂任务、多步骤、跨会话、持续几天、大项目、防降级、断点续传、状态保持。


AI 长任务的 5 大问题

1. 上下文窗口溢出

问题:任务太长,上下文塞满,AI 开始遗忘早期决策
解决:每完成一个阶段,写一个状态文件(task-state.md)

2. 注意力衰减

问题:任务进行到后面,AI 开始偷懒、跳过步骤
解决:每个阶段开始时,重新读取 task-state.md + 原始 spec

3. 错误级联

问题:早期一个小错误,后面全错
解决:每个阶段完成后,验证产出物是否符合 spec

4. 状态丢失

问题:会话重启,AI 忘了之前在干什么
解决:task-state.md = 唯一真相来源

5. 35分钟降级

问题:连续工作 35 分钟后,AI 质量明显下降
解决:每 30 分钟强制休息 + 重新加载上下文

状态文件模板

# Task State

## 目标
[一句话描述任务目标]

## 当前阶段
阶段 N / 总阶段数

## 已完成
- [x] 阶段 1:xxx
- [x] 阶段 2:xxx

## 进行中
- [ ] 阶段 3:xxx

## 待完成
- [ ] 阶段 4:xxx
- [ ] 阶段 5:xxx

## 关键决策
- 决策 1:xxx(原因:yyy)
- 决策 2:xxx(原因:yyy)

## 已知问题
- 问题 1:xxx

## 下一步
[具体可执行的下一步]

操作流程

开始任务

1. 创建 task-state.md
2. 列出所有阶段
3. 设置检查点(每阶段结束)
4. 开始执行

每个阶段结束

1. 验证产出物(对照 spec)
2. 更新 task-state.md
3. 写明"下一步"
4. 如果超过 30 分钟 → 休息 + 重新加载上下文

会话重启

1. 读取 task-state.md
2. 读取原始 spec
3. 确认"下一步"
4. 继续执行

断点续传协议

保存断点

## 断点 [时间戳]
- 当前文件:src/foo.ts(已修改 3/5 个函数)
- 下一个文件:src/bar.ts
- 等待确认:xxx 设计决策

恢复断点

1. 找到最新断点
2. 确认"下一个文件/任务"
3. 检查未完成的修改
4. 继续

与 mem 插件的区分

mem 插件task-state.md
存什么长期知识/偏好/经验当前任务进度
生命周期永久任务完成即删
触发auto-capture手动读写
范围跨项目单任务

避免冲突

  1. 位置:task-state.md 放 .opencode/temp/ 根目录(mem 不索引临时文件)
  2. 命名:用 task-<name>-state.md 方便识别
  3. 清理:任务完成后立即删除,不残留
  4. 不同步:task-state.md 是临时的,不进 mem 的记忆存储
  5. 索引排除:如果 mem 索引了 task-state 内容,手动 forget 掉

使用示例

用户:"帮我重构这个 50 个文件的项目"

1. 创建 .opencode/temp/task-refactor-state.md
2. 列出 50 个文件,分 5 个阶段
3. 每完成一个文件 → 更新状态
4. 每完成一个阶段 → 验证 + 休息
5. 如果中断 → 读取 task-state.md 继续
6. 任务完成 → 删除 task-state.md

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.