AI能力集 -- 开发一个任务自动执行系统

1. 引言

需求场景很简单：个人任务有时有多个，添加到任务池后由AI自动申领后执行，完成后由另一个AI进行评估。整个过程我希望能看到详细记录。

1.1. 最初想法

两个思路：

• Claude Code的/loop功能，定期向指定目录获取任务进行执行
• OpenClaw及类似agent软件（Hermes、PicoClaw等等）

几个Claw系列项目的核心工作流，原理上都是Agent的ReAct循环+工具调用：

• picoclaw

想法：分析学习项目代码不需要大而全，尤其现在AI生成代码速度远远超过个人能阅读的速度。只要关注自己的核心需求，收缩注意力即可。

1.2. 开发过程

第一版是在手机上用 happy-coder 远程控制 Claude Code 写的（当时电脑不在身边），后续迭代用了 OpenClaw。

第一版(happy-coder + Claude Code) → 后续迭代(OpenClaw)

整个过程记录在了截图中，后来逐步演进成 v1-v5 多个版本。

---

2. 方案设计

2.1. 需求拆解

需要实现的功能：

• 任务池：添加/删除待办任务
• AI自动申领：从池子里拿任务执行
• 执行过程追踪：什么时候领取、什么时候执行、耗时多久
• 评估机制：另一个AI来评估执行结果
• 可视化界面：看任务状态和过程记录

2.2. 技术选型

组件	选型	原因
执行引擎	Claude Code CLI / claw	本地CLI直接执行，支持 --print 非交互模式
评估	OpenAI API / Claude API	可配置不同模型评估
后端	FastAPI + SQLite	轻量，无需额外服务
前端	HTML + Tailwind	单文件，够用就行

2.3. 核心模块设计

┌─────────────────────────────────────────────────────────┐
│                     AI 任务系统                          │
├─────────────────────────────────────────────────────────┤
│  任务队列 (SQLite)                                      │
│    - pending → running → completed → evaluating → evaluated
│    - failed (自动重试)
│                                                         │
│  调度器 (Scheduler)                                     │
│    - 轮询 pending 任务                                  │
│    - 心跳保活 + stale 检测                              │
│    - 自动重试 (指数退避)                                │
│                                                         │
│  执行器 (Executor)                                      │
│    - CLI 模式: 调用 `claw --print`                      │
│    - SDK 模式: CodeBuddy Python SDK                     │
│                                                         │
│  评估器 (Evaluator)                                     │
│    - 自动评估执行结果                                   │
│    - 可配置评估模型                                     │
└─────────────────────────────────────────────────────────┘

---

3. 版本演进

3.1. V1 — 最初的原型

基于 CodeBuddy CLI，实现：

• Web UI 任务管理（添加/删除/查看）
• 自动领取执行
• 交叉评估（不同AI模型交叉评估）
• 迭代闭环（评分低于阈值自动重试）

cd v1
pip install -r requirements.txt
export PYTHONPATH=$(pwd)
uvicorn backend.main:app --reload --port 8000

3.2. V2 — Claude Code 集成版

V1 改进版，接入 Claude Code CLI，支持多Agent并行：

• Claude Code CLI 执行引擎
• Web 界面 + API 双接口
• 多 Agent 并行执行
• 任务调度器（60s 轮询间隔）

3.3. V3 — CodeBuddy 原生适配版

• 100% 遵循 CodeBuddy CLI 规范
• 单机无容器、零配置一键启动
• WebSocket 实时同步
• 双超时防护（绝对超时 + 无输出超时）
• Git 版本自动提交

3.4. V4 — 多 Agent 抽象层（活跃版本）

统一的多 Agent CLI 编排层，支持 Claude Code、OpenAI Codex 和 CodeBuddy：

特性	说明
三种入口	CLI / TUI（全屏）/ REPL（交互）
任务路由	13 种任务类型 → 最优 Agent 自动选择
基准测试	Agent 能力评分，持续跟踪对比
会话持久化	跨会话恢复，session export/import

# CLI 模式
python -m ai_task_system.v4.cli create "任务" -a claude -y -w

# TUI 全屏
python -m ai_task_system.v4 --tui

# REPL 交互
python -m ai_task_system.v4

3.5. V5 — 增加特性

V4 的生产级扩展，带持久化队列和进程池：

• 进程池：预热 Worker，故障自动恢复
• 持久化队列：SQLite WAL，支持优先级/延迟/死信
• REST API：18 个端点，API Key 认证
• WebSocket：实时任务状态/输出流推送
• Prometheus：/metrics 端点，Grafana 就绪

export AI_TASK_API_KEY="my-secret-key"  # 可选
python -m v5.api.app --port 18792

---

4. 核心实现

4.1. 任务状态机

pending → waiting(依赖) → running → completed → evaluating → evaluated
                    ↘ failed (auto-retry → pending)
                    ↘ stale (heartbeat 超时 → pending)

4.2. 调度器核心逻辑

# scheduler.py 核心循环
while running:
    tasks = db.get_pending_tasks()
    for task in tasks:
        if task.is_runnable():
            executor.execute(task)

    # 心跳保活
    update_heartbeat()

    # Stale 检测
    recover_stale_tasks()

    sleep(poll_interval)

4.3. 执行器封装

# cli_executor.py
def execute(self, task):
    cmd = [
        "claw", "--print", "--verbose",
        "--model", task.model,
        task.description
    ]
    result = subprocess.run(cmd, capture_output=True, text=True)
    return result

---

5. 效果展示

5.1. 任务执行界面

图中显示了一个”分析任务”弹窗：

• 状态：执行中
• 执行引擎：minimax-2.7
• 评估方式：CLI默认
• 迭代进度：0/3

5.2. 任务详情+评估

可以看到：

• 命令详情：claude --print --verbose --model claude "任务描述 18"
• 模型、开始/完成时间
• 输出内容：AI 返回了询问具体含义
• 评估历史：评分 7/10

5.3. 手机端远程控制

这是用 happy-coder 在手机上远程控制 Claude Code 开发的截图：

当时在出差路上，用手机操作完成了第一版开发。可以看到：

• 待办列表自动流转
• Task 1-6 已完成（绿色勾选）
• Task 7 正在执行（蓝色选中）
• 底部显示 AI 状态（germinating…）

---

6. 配置说明

6.1. config.yaml

scheduler:
  poll_interval: 5
  heartbeat_interval: 30
  stale_threshold: 120

executor:
  engine: cli                 # cli | sdk
  cli_path: claw
  timeout: 1800
  max_auto_retries: 3
  auto_retry_delay: 180

evaluator:
  model: "claude-opus-4-6"
  default_model: gpt-4o

server:
  host: 0.0.0.0
  port: 8000

6.2. 数据目录

内容	路径
会话存储	~/.ai_task_system/sessions.json
基准分数	~/.ai_task_system/benchmark_scores.json
任务队列 DB	~/.ai_task_system/tasks.db

---

7. 总结

这个系统从最初的简单想法，演进成了 v1-v5 多个版本。核心收获：

1. 轻量优先：不追求大而全，关注自己的核心需求
2. 快速迭代：从原型到生产，版本逐步演进
3. 工具组合：Claude Code + happy-coder + OpenClaw，各取所长
4. 自动化闭环：任务领取→执行→评估→迭代，全自动流转

代码：ai-task-system