新闻详情

新闻详情

首页 / 资讯中心 / 详情

Codeg To-dos任务看板深度解析:让AI Agent在独立git worktree中无人值守并行开发

发布时间:2026/11/16 6:46:32来源:尧图网络
Codeg To-dos任务看板深度解析:让AI Agent在独立git worktree中无人值守并行开发
Codeg To-dos任务看板深度解析让AI Agent在独立git worktree中无人值守并行开发【免费下载链接】codegCollaborative multi-agent AI coding workspace: aggregate sessions from Claude Code, Codex, OpenCode, Pi, Grok Build, etc. Desktop app, self-hosted server, or Docker.项目地址: https://gitcode.com/gh_mirrors/co/codegCodegGitHub 加速计划 / co / codeg是一个多智能体 AI 编码工作台可以把 Claude Code、Codex、OpenCode、Pi、Grok Build 等 Agent 的会话聚合到同一界面。它的To-dos 任务看板让 AI Agent 在独立的 git worktree 中并行、无人值守地开发你把需求写成任务卡片引擎自动为每个任务创建一份独立代码副本git worktree 独立分支多个 Agent 同时开工互不干扰完成后停在「待验收」栏等你看 diff通过后才由引擎亲自核对 git 并落地合并——真正做到无人值守的 AI 并行开发。任务状态流转四列看板背后的完整流水线看板只有四列但每列背后是多个精确状态。核心映射定义在 board-columns.ts 中看板列底层状态含义 待办todo/queued排队等待并发槽位 进行中preparing/running创建 worktree、跑初始化命令、Agent 已启动⚠️ 需关注awaiting_input/review/merging/failed等输入、待你验收、合并中或失败✅ 完成done/canceled已落地或已取消执行引擎驱动的完整流水线是todo → queued → running ⇄ awaiting_input → review → merging → done见 engine.rs 头部注释。每个进程只有一个引擎实例通过独占文件锁选举产生桌面端和自托管服务器模式都会启动它——所以你在手机上打开 Web 端看到的看板和桌面端驱动的是同一台引擎。独立 git worktree多个任务为什么互不干扰这是整套机制的安全核心每个任务启动时Codeg 会在项目旁边创建一份 git worktree任务跑在自己的分支上。几个含义不碰你手头的代码——你正在主检出里写的东西任务 Agent 完全看不见多任务并行互不干扰——A 任务改src/api.ts、B 任务改src/db.ts也互不阻塞随时可清理——验收通过后 worktree 连同目录一起移除。git 层由 work_task/git.rs 封装固定基础分支的 rev、全量提交、两阶段合并、worktree 移除都是薄包装的 git CLI 调用由引擎统一持有「每文件夹一把 git 互斥锁」来串行化。移除 worktree 前还有一个保守到近乎偏执的脏检查engine.rs只要无法 100% 证明目录里没有未提交文件就拒绝删除并保留现场——宁可任务卡住也绝不误删代码。无人值守定时启动与并发上限「无人值守」不等于「同时全开」。看板支持两种启动方式定时启动——通过任务调度对话框把开始时间约在今晚、周末到点自动进入流水线task-schedule-dialog.tsx、调度逻辑见 task-schedule.ts按文件夹并发上限自动消化队列——每个项目文件夹可配置max_concurrent引擎按队列顺序一件件放行超出的任务安静地留在queued状态。引擎每 15 秒检查一次计划启动、每 30 秒做一次对账扫描崩溃重启后会根据数据库状态恢复未完成的运行与合并意图合并意图在执行前就持久化恢复时以 git 事实为准重放。验收与两阶段合并不听 Agent 一面之词做完的任务不会自动合并它会停在「需关注」栏的 review 状态等你。点通过后合并分两个阶段执行engine.rs阶段 A把基础分支并进任务的 worktree——冲突只会落在这个沙盒里在那里解完阶段 B在文件夹级 git 互斥锁保护下把成果落到主分支。更关键的是引擎不听 Agent 的口头汇报合并后 Codeg 自己去核对 git 结果确认不了的合并会退回待验收而不是报一句「成功」。相关界面组件包括 task-merge-dialog.tsx、task-detail-sheet.tsx 以及顶部的 tasks-page.tsx 与任务卡片 task-card.tsx会话过长时的压缩逻辑在 compact.rs。适合谁用如果你正在用 Claude Code / Codex 等 Agent 干活但受困于「一次只能盯一个会话、Agent 改乱了当前分支」的问题To-dos 看板就是解法把重复性、可独立验证的需求写成卡片让 Agent 们在各自的 worktree 里无人值守地并行推进你只负责最后验收 diff。桌面端、自托管服务器、Docker 三种部署形态deployment 说明 与 docker-compose.yml共用同一套任务引擎手机客户端还能远程验收。【免费下载链接】codegCollaborative multi-agent AI coding workspace: aggregate sessions from Claude Code, Codex, OpenCode, Pi, Grok Build, etc. Desktop app, self-hosted server, or Docker.项目地址: https://gitcode.com/gh_mirrors/co/codeg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 2026/11/15 4:54:16

【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 2026/11/15 2:04:12

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 2026/11/14 10:11:15

【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 ... 2026/11/16 6:47:19

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 2026/11/14 16:35:50

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 2026/11/15 4:06:36

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
📞 ✉