ascend-ai-coding ssh-long-task
概述
管理预计耗时>2分钟的远程任务，通过checkpoint机制支持agent休息和跨会话恢复。
适用场景
- 模型训练（>10分钟）
- 大规模数据处理
- 编译构建任务
- 数据库迁移
流程步骤
1. 启动任务并写入checkpoint
使用connect/scripts/ssh-job.sh start启动任务，获取job_id后立即写入checkpoint：
bash connect/scripts/ssh-job.sh start <profile> "<command>"
# 输出: 任务已启动: job-20260306-143022-1234
bash long-task/scripts/checkpoint.sh write <profile> <job_id> \
--task "模型训练 epoch 50" \
--duration "~2h" \
--next "检查训练完成,下载模型权重,运行验证" \
--context "lr=0.001,batch=32"
产出: checkpoint文件 ~/.ssh-jobs/<job_id>/checkpoint.md
2. 告知用户并休息
Agent输出：
✓ 任务已启动: job-20260306-143022-1234
✓ Checkpoint已保存，预计耗时 ~2h
你可以：
1. 稍后输入"检查任务 <job_id>"查看状态
2. 关闭会话，任务继续运行
3. 新会话中我会自动读取checkpoint恢复上下文
3. 恢复时读取checkpoint
新会话或用户请求检查时：
bash long-task/scripts/checkpoint.sh read <profile> <job_id>
产出: 解析checkpoint内容（task, started, duration, next_steps, context）
4. 智能状态检查
根据预计耗时决定检查策略：
bash connect/scripts/ssh-job.sh status <profile> <job_id>
- <5分钟: 每30秒检查一次
- 5-30分钟: 每2分钟检查一次
- >30分钟: 每10分钟检查一次，或用户手动触发
5. 输出检查（Token优化）
先查大小:
bash connect/scripts/ssh-job.sh status <profile> <job_id>
# 输出: stdout: 245KB, stderr: 1.2KB
按大小决策:
- <10KB: 读取全部
bash connect/scripts/ssh-job.sh output <profile> <job_id> - 10KB-100KB: 只读尾部
bash connect/scripts/ssh-job.sh output <profile> <job_id> --tail 50 - >100KB: 先搜索错误
bash connect/scripts/ssh-job.sh output <profile> <job_id> --grep 'error|fail|exception'
6. 执行next_steps
任务完成后，按checkpoint中的next_steps继续： 逐步执行，每步完成后更新checkpoint或删除。
Checkpoint格式
存储在 ~/.ssh-jobs/<job_id>/checkpoint.md:
job_id: job-20260306-143022-1234
profile: dev-server
task: "模型训练 epoch 50"
started: 2026-03-06T14:30:22
expected_duration: ~2h
next_steps:
- 检查训练完成状态
- 下载模型权重到本地
- 运行验证脚本
context: "learning_rate=0.001, batch_size=32"
Token约束
- 输出检查：先查大小，按大小分级读取（全部/尾部/grep）
- 状态轮询：根据预计耗时调整频率，避免频繁检查
- Checkpoint内容：精简关键信息，不存储完整日志