新闻详情

新闻详情

首页 / 资讯中心 / 详情

派个任务就离场:Kiro Crew 自主任务运行器完整教程(规划、重试、检查点恢复)

发布时间:2026/11/12 6:10:26来源:尧图网络
派个任务就离场:Kiro Crew 自主任务运行器完整教程(规划、重试、检查点恢复)
派个任务就离场Kiro Crew 自主任务运行器完整教程规划、重试、检查点恢复【免费下载链接】KiroCrewA persistent workspace for development work that self-improves and continues beyond one session.项目地址: https://gitcode.com/gh_mirrors/ki/KiroCrewKiro Crew是一个能自主运行开发任务的开源工作区Task Runner。你只需要把任务描述交给它的任务运行器Task Runner它会自动规划步骤 → 逐步执行 → 失败重试 → 中途检查点保存全程无需你守在终端前。网关重启也不怕进度还能从检查点恢复。本教程带你从零跑通这个自主任务运行器。1 分钟上手安装并进入 Task Runner一键安装curl -fsSL https://download.crew.kiro.dev/cli.sh | sh然后打开http://localhost:5476在左侧导航栏点击Task Runner即可看到任务运行面板如上图所示。 也支持桌面应用、Docker 部署和从源码构建见 安装指南。三种方式派任务入口用法适用场景网页面板左侧栏Task Runner→ 输入描述最直观支持可视化审批CLIkirocrew run TASK.md阻塞式执行终端实时看进度Slack发送run path、run status、run cancel人在手机上也能盯任务面板里还提供✨ Compose自然语言写需求、From Spec粘贴规格文件、From YAML工作流形状的 YAML 直接确定性解析跳过 LLM 分解三种模式。任务规划把一句话需求拆成可执行步骤Task Runner 的核心机制是先规划、后执行分解DecomposeLLM 读你的任务规格拆成一组带依赖关系的有序步骤并给出验收标准acceptance criteria。计划预览与编辑计划生成后你会收到 Plan ready通知可在面板里增删改步骤、调整执行顺序甚至整份替换计划再点 Execute。每步独立会话执行每个步骤拥有全新 ACP 会话自动注入记忆、技能、项目上下文做完一步提交一次 git再进入下一步。规划能力由 task_planner.py 实现它负责 LLM 分解、依赖归一化和并行分组。失败重试三道防线自主运行最怕卡死在同一个错误上。Task Runner 用三层机制兜底有界重试步骤失败后自动重试重试提示词里会带上上次的错误信息让模型有针对性地改正。循环检测同一个错误连续出现 2 次发警告第 3 次判定为死循环直接失败该步骤不再空转。重新规划Replan某步用尽重试预算后运行器会带着失败上下文重新制定剩余计划带次数上限而不是整个任务推倒重来。额外细节每步通过后会 commit 一次独立审查会话Self-Review基于真实的git diff检查代码审查不过就回退该步提交再重试。git 隔离与提交协调见 git_coord.py。检查点恢复断了还能接着跑这是 Task Runner 最让人放心的设计持久化快照运行状态在整个生命周期中持续写入runs.json原子写入 fsync进度文件TASK_PROGRESS.md与规格文件并存。崩溃恢复网关重启后处于running的任务自动转为paused——不会留下看起来在跑其实没人驱动的僵尸任务有 git worktree 的安全任务会从检查点自动恢复只重跑未通过的步骤已通过的步骤绝不重做。手动恢复暂停Pause/恢复Resume是显式操作点 Resume 即从中断处继续不丢任何进度。相关实现位于 task_reporter.pysave_progress/load_checkpoint/build_resume_context。实用配置与通知并行执行无依赖的步骤可并行跑并发度由taskrunner.max_parallel_steps控制且永远不会超过主机安全上限根据可用内存自动计算配置热更新无需重启。自动审批auto_approve面板上可为单个运行勾选自动批准工具调用真正解放双手——但钩子拒绝列表和force_approval强制审批门依然生效安全兜底不缩水。全程通知任务启动 、步骤通过 ✅、步骤失败 ❌、卡住警告 ⚠️、完成汇总……都会推回你发起任务的那个会话Slack/面板离场不等于失联。卡死看门狗活动感知式的停滞检测只在真正零活动时先告警、再重置会话恢复不会误杀。源码与文档索引资料路径TaskRunner 模块规格完整机制说明docs/system-specs/modules/taskrunner.mdAPI 处理层启动/取消/规划/精修dashboard/handlers/taskrunner.py步骤执行与重试task_executor.py面板路由dashboard/routes/taskrunner.py一句话总结把任务规格交给 Kiro Crew 任务运行器它替你规划、执行、重试、保存检查点你只负责在通知到达时看一眼结果。派完任务就可以离场了。【免费下载链接】KiroCrewA persistent workspace for development work that self-improves and continues beyond one session.项目地址: https://gitcode.com/gh_mirrors/ki/KiroCrew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 2026/11/11 13:52:51

【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 2026/11/10 19:42:40

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 2026/11/11 9:31:44

【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 ... 2026/11/11 5:36:08

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 2026/11/11 15:37:39

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 2026/11/10 17:14:10

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
📞 ✉