新闻详情

新闻详情

首页 / 资讯中心 / 详情

HelloAgents TodoWrite 与 DevLog 实战:智能体任务进度管理和决策记录怎么做

发布时间:2026/11/21 15:41:09来源:尧图网络
HelloAgents TodoWrite 与 DevLog 实战:智能体任务进度管理和决策记录怎么做
HelloAgents TodoWrite 与 DevLog 实战智能体任务进度管理和决策记录怎么做【免费下载链接】HelloAgentsA agent framework based on the tutorial hello-agents项目地址: https://gitcode.com/gh_mirrors/he/HelloAgents在构建智能体Agent应用时任务进度管理和决策记录是两个容易被忽略却至关重要的能力。开源多智能体框架 HelloAgents 内置了两个开箱即用的工具TodoWrite 负责进度管理DevLog 负责决策记录。本文带你用最少的心智成本理解它们的设计思路并给出可直接落地的实战方法。为什么智能体需要记事本想象你让一个 AI 助手开发一个电商系统。它可能要写几十个文件、做几十个技术选型。这时候会出现两个典型问题痛点表现对应工具任务丢失做到一半忘了还有哪些功能没实现TodoWrite 任务进度管理决策遗忘事后说不清当初为什么选了这个技术方案DevLog 决策记录TodoWrite 相当于给智能体配了一个强制单线程的待办清单DevLog 则相当于一个结构化的开发日志——一个管现在该做什么一个管为什么这么做。TodoWrite智能体任务进度管理怎么做 TodoWrite 工具源码位于 hello_agents/tools/builtin/todowrite_tool.py完整说明见 docs/todowrite-usage-guide.md。它有三个值得学习的设计1. 声明式覆盖永远不打补丁每次更新都提交完整的任务列表而不是增量修改某个任务。这样任务状态永远不会不一致——类似前端框架的整体渲染思路简单且不易出错。2. 强制单线程同一时刻只能有一个任务进行中如果你让智能体同时推进 3 个任务它会像人一样上下文切换、注意力涣散。TodoWrite 直接在工具层拦截 [2/5] 进行中: 实现订单查询. 待处理: 实现订单创建; 实现订单更新3. 自动 Recap 摘要省 Token每提交一次列表工具自动生成一行紧凑摘要回填给智能体。任务全部完成时则是清爽的一句✅ [5/5] 所有任务已完成。持久化与断点恢复任务列表每次更新都会自动保存到memory/todos/目录的 JSON 文件。如果长任务中途断网或重启通过load_todos()加载最新快照即可从断点继续不用从头再来。DevLog智能体决策记录怎么做 DevLog 工具源码位于 hello_agents/tools/builtin/devlog_tool.py指南见 docs/devlog-guide.md。它把开发日记变成结构化数据每条日志包含三要素类别category 内容content 元数据metadata。内置 7 种类别覆盖开发全过程类别用途典型示例decision技术决策选择 Redis 作为缓存progress进度更新完成用户认证模块issue问题记录连接池耗尽导致超时solution解决方案连接池扩容到 50refactor重构记录拆分单体为微服务test测试记录覆盖率提升到 85%performance性能分析响应时间 500ms → 150ms日志持久化在memory/devlogs/支持按类别、标签过滤查询还能一键生成项目摘要含各类别统计和未解决问题列表。一个关键技巧用issue_id把问题和方案关联起来。比如先记录{issue_id: db-pool-001}的 issue再在 solution 中引用同一个 ID——几个月后复盘时问题与解法一一对应形成完整的知识链路。快速上手零配置启用步骤 ⚡两个工具都默认启用创建智能体时无需任何额外注册from hello_agents import ReActAgent, HelloAgentsLLM, Config config Config(todowrite_enabledTrue, devlog_enabledTrue) agent ReActAgent(开发助手, HelloAgentsLLM(), configconfig) agent.run(帮我实现用户系统、订单系统和支付系统)智能体收到复杂指令后会自动调用 TodoWrite 拆解任务、边做边更新进度遇到技术选型和问题修复时自动调用 DevLog 留下决策痕迹。配置文件 hello_agents/core/config.py 中还提供todowrite_persistence_dir和devlog_persistence_dir可自定义存储位置。实战案例一次问题排查的完整轨迹 下面是一个典型的问题 → 分析 → 解决链路展示了 DevLog 如何把碎片信息串成可追溯的故事记录问题issue数据库查询慢响应时间 2s标记severity: high记录分析performance缺少索引导致全表扫描记录方案solution为 email 字段加索引响应从 2.3s 降到 0.05s提升 97.8%三条日志共享标签[performance, database]随时可以action: list tags反查同类问题。完整示例代码见 examples/devlog_demo.py。最佳实践与常见问题 任务粒度单个任务建议 1-4 小时能完成实现用户注册接口是好粒度实现整个用户系统太大添加 email 字段太小。任务总数 5-10 个为宜最多不超过 20 个。状态流转遵循pending → in_progress → completed单向流转不要反复重开已完成的任务。常见问题速答可以同时推进多个任务吗不可以。最多 1 个in_progress是设计约束目的是保持专注。DevLog 和 TraceLogger 什么区别DevLog 记录的是开发内容决策、问题、方案TraceLogger 记录的是执行轨迹工具调用、LLM 请求一个面向知识沉淀一个面向审计排障可参考 docs/observability-guide.md。想关掉某个工具设置Config(todowrite_enabledFalse)或devlog_enabledFalse即可。相关资源 资料路径TodoWrite 使用指南docs/todowrite-usage-guide.mdDevLog 系统指南docs/devlog-guide.mdTodoWrite 基础示例examples/todowrite_demo.pyTodoWrite 实战案例博客项目examples/todowrite_real_world.pyDevLog 使用示例examples/devlog_demo.py日志系统对比docs/logging-system-guide.md总结TodoWrite 让智能体的任务看得见、不丢件、可恢复DevLog 让智能体的决策有依据、可追溯、能传承。两者默认开启、零配置可用是 HelloAgents 把智能体工程化落到实处的两个典型设计——如果你正在构建自己的 Agent 应用强烈建议把进度 日志这套组合直接抄走。【免费下载链接】HelloAgentsA agent framework based on the tutorial hello-agents项目地址: https://gitcode.com/gh_mirrors/he/HelloAgents创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/21 14:14:45

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/21 14:14:26

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/20 20:45:42

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/20 16:11:20

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/20 18:41:01

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/21 14:13:11

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉