Agent Skills
返回列表
🤖

规划文件

AI Agent 更新于 2026.08.30

将以下提示词粘贴到你的 AI 对话框中：

请根据 https://skillhub.cn/install/skillhub.md，安装 @user_3c6cb52e/planning-with-files-png

技能介绍

为什么需要文件级规划

智能体在执行长链路任务时，常面临状态丢失和上下文断裂的问题。任务步骤分散在对话历史中，一旦出现中断或重试，难以快速恢复执行状态。同时，多步骤任务缺乏结构化追踪机制，导致执行路径混乱、资源分配失衡。

核心能力

通过18个子技能文件构建的文件化规划系统，实现以下关键能力：

  • 任务分解：将复杂任务拆解为可执行的子任务文件（如task_01.md、task_02.md），明确依赖关系和优先级
  • 状态持久化：每个步骤的执行结果、中间产物通过文件系统持久化存储，避免依赖内存中的对话状态
  • 进度追踪：通过progress.md记录当前执行阶段、待处理事项和已完成项，支持断点续跑
  • 资源协调：通过文件锁机制（如.lock文件）实现多智能体协作时的互斥控制，避免资源冲突

适用边界

该方案适合需要高可靠性状态管理的场景，如：

  • 多步骤数据处理流水线（如日志分析→异常检测→报告生成）
  • 需要人工介入检查的中间环节（如通过review.md标记待审核项）
  • 长时间运行的任务（依赖文件系统而非对话上下文进行状态恢复）

但不适合实时性要求极高的场景（如在线交易处理），也不适用于完全无状态的轻量级任务。

使用场景

  • 后端工程师需要将日志分析→异常检测→报告生成的多步骤流水线拆解为子任务文件，通过 progress.md 记录进度，任务中断后从断点恢复而非从头重跑。
  • 数据处理团队在流水线中设置人工审核环节，通过 review.md 标记待确认项，自动流程在此暂停，人工审核通过后继续执行后续步骤。
  • 多智能体系统并行处理同一资源池时，通过 .lock 文件实现互斥控制，避免多个 agent 同时写入同一输出文件导致数据冲突。
  • 长时间运行的批处理任务在数小时后中断，依赖文件系统中持久化的中间产物和 progress.md 恢复执行状态，无需重新加载对话上下文。

适合人员

  • 后端工程师：需要将多步骤日志处理流水线拆解为可恢复的任务单元，避免长任务中断后从头重新计算。
  • 数据管道运维：负责维护需要人工审核中间结果的数据处理流程，希望自动暂停等待确认后再继续。
  • AI Agent 开发者：构建多智能体协作系统，需要文件级互斥机制来协调并行任务的资源访问。
  • 自动化平台工程师：管理长周期批处理任务执行，依赖文件系统实现断点续跑和状态追踪。