中场自省

解决长任务执行中的「盲目推进」问题

在复杂的开发任务中，我们常会遇到用户离开屏幕的场景（比如“我去抽根烟”）。对于传统的 AI Agent 来说，这通常意味着任务停滞，或者在用户离开后继续盲目执行错误的方向。等到用户回来时，往往发现产出物已经偏离了最初的目标，甚至需要推倒重来。smoke-time 旨在解决这一痛点：它不把用户的短暂离开视为“空窗期”，而是将其转化为 Agent 的自我审视窗口。

核心机制与工作流

该技能的核心理念是对己无情，对人克制。当检测到用户离开暗示（如“休息一下”）或高风险任务需要复盘时，技能会自动触发。

1. 六维度无情拷问：Agent 会在内部对照六个维度进行深度自省：

- 目标对齐：当前产出是否依然符合用户原始意图？
- 路径最优：有没有更优的工具或库被忽略？
- 假设审查：工作是否基于未经验证的危险假设？
- 产出质量：中间结果是否经得起推敲？
- 风险盲区：是否忽略了用户没说但在乎的约束？
- 遗漏检查：边界条件和 edge case 是否全部覆盖？

1. 三路径决断：拷问完成后，Agent 会根据结论选择下一步：

- 路径 A（继续）：方向正确，直接汇报“自查通过”并继续执行。
- 路径 B（修正）：发现可修复的偏差，自主修改代码或方案后再继续。
- 路径 C（提问）：遇到无法自行决断的关键不确定性，向用户提出 1-3 个精准问题。

适用边界与注意点

• 克制提问：技能严格限制向用户提问的数量（≤3个），且绝不询问技术细节等 Agent 本应自己解决的问题。拷问过程是内部的，只向用户输出简短的结论报告。
• 防打扰机制：如果用户只是说“稍等”并立刻给出下一步指令，技能不会触发，避免在简单交互中制造噪音。
• 上下文变化感知：同一任务多次触发时，会检查上下文是否有显著变化，若无变化则简化拷问维度，避免重复劳动。