Task Intelligence

任务智能——任务前增强协议

概述

任务前智能协议——在执行用户请求的任何任务之前，激活生态系统中所有相关智能体。通过多智能体并行分析丰富上下文，生成从开始到结束的真实时间估算，映射可能和不太可能出现的问题，并制定包含应急策略的提前执行计划。

适用场景

• 用户提到"任务前简报"或相关话题
• 用户提到"briefing tarefa"或相关话题
• 用户提到"plano execucao tarefa"或相关话题
• 用户提到"antes de executar analise"或相关话题
• 用户提到"task intelligence"或相关话题
• 用户提到"consultar agentes paralelo"或相关话题

不适用场景

• 任务与任务智能无关
• 更简单、更具体的工具可以处理该请求
• 用户需要不涉及领域专业知识的通用帮助

工作原理

在执行任何操作之前，此智能体会进行完整的智能简报：

1. 并行激活所有相关智能体——每个智能体从各自角度分析任务
2. 综合集体知识为统一计划
3. 估算真实时间从开始到结束（按阶段分解）
4. 映射可能的问题并提前解决
5. 定义检查点在偏差变成阻碍之前检测到

核心原因：不进行简报就执行任务，就像不做术前检查就做手术。 30-60秒的并行分析成本，可以消除数小时的返工。

阶段1——任务分类（5-10秒）

首先将任务归入以下类别之一：

对于简单任务，直接执行，无需完整简报。 对于中等、复杂和关键任务，执行以下完整协议。

阶段2——并行扫描与匹配

同时执行：

## 终端1 — 更新 Registry

python agent-orchestrator/scripts/scan_registry.py

## 终端2 — 识别相关智能体

python agent-orchestrator/scripts/match_skills.py "<tarefa do usuário>"

若 matched >= 2，执行编排：

python agent-orchestrator/scripts/orchestrate.py --skills <skill1,skill2,...> --query "<tarefa>"

阶段3——专业智能体简报

对匹配中识别出的每个相关智能体，提出一个定向问题：

按智能体类型的查询模板：

• 007（安全）："此任务是否存在攻击向量、数据暴露或不可逆操作？"
• skill-sentinel（质量）："是否存在冗余技能？将要创建/修改的技能是否符合规范？"
• agent-orchestrator（编排）："已有哪些技能可以解决此任务的部分内容？"
• matematico-tao（复杂度）："计算复杂度如何？是否存在非显而易见的优化？"
• context-guardian（连续性）："是否存在与此任务相关的先前会话上下文？"
• advogado-especialista/criminal（法律）："是否存在法律影响、数据保护或监管风险？"
• leiloeiro-ia（拍卖）："此任务是否涉及拍卖领域的数据或逻辑？"

不要盲目咨询所有智能体——选择与任务最相关的3-5个。

阶段4——真实时间估算

基于实际复杂度构建诚实的时间分解：

时间估算 — [任务名称]
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
阶段1: [名称]          ~X 分钟   [耗时原因]
阶段2: [名称]          ~X 分钟   [耗时原因]
阶段3: [名称]          ~X 分钟   [耗时原因]
应急（问题处理）     +X 分钟   [典型意外缓冲]
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
预估总计:            ~X 分钟
置信度: 高/中/低 — [理由]

诚实估算规则：

• 永远不要为了取悦用户而低估——用户需要知道真实时间
• 始终为典型问题增加20-30%的缓冲
• 若置信度为低，解释原因以及如何提高
• 区分"智能体执行时间"和"用户等待时间"

阶段5——问题地图（前瞻性预判）

从三个层面思考问题：

可能发生的问题（80%+概率）

这些问题几乎总会发生。在开始之前就解决它们。

按类别举例：

• 新技能：YAML无效 → 安装前用 python -c "import yaml; yaml.safe_load(open('SKILL.md').read())" 验证
• 外部API：密钥过期、频率限制、端点变更 → 先验证认证
• 安装：依赖缺失、版本不兼容 → 执行前阅读 requirements.txt
• 文件：路径不存在、权限拒绝、编码错误 → 打开前先检查
• Git/版本控制：分支错误、合并冲突、未提交的更改 → 操作前先执行 git status

可能出现的问题（30-70%概率）

取决于当前状态可能发生的问题。

策略：在假设没问题之前，快速检查状态。

不太可能但关键的问题（<10%但高影响）

不可逆操作、数据丢失、凭据泄露。

策略：预防性备份、显式确认、回滚计划。

问题地图模板：

问题地图 — [任务名称]
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
可能发生（开始前解决）:
  ⚠ [问题] → [现在应用的预防措施]
  ⚠ [问题] → [现在应用的预防措施]

可能出现（执行中监控）:
  ~ [问题] → [预警信号] → [发生时的应对]

关键问题（低概率，高影响）:
  🔴 [风险] → [备份/回滚计划]
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

阶段6——增强执行计划

收集智能体分析+估算+问题地图后，输出：

执行前简报 — [任务名称]
════════════════════════════════════════════
收集的上下文:
  • [智能体1的洞察]
  • [智能体2的洞察]
  • [智能体3的洞察]

执行计划:
  1. [步骤] (~X分钟) — [为何此顺序]
  2. [步骤] (~X分钟) — [对前一步的依赖]
  3. [步骤] (~X分钟) — [质量验证]

总时间: ~X分钟 | 置信度: 高/中/低

已预解决的问题:
  ✅ [问题] → [已应用的解决方案]
  ✅ [问题] → [已应用的解决方案]

检查点:
  [ ] 阶段1后: 验证 [成功标准]
  [ ] 阶段2后: 验证 [成功标准]
  [ ] 最终: 验证完整结果

回滚计划（如出错）:
  → [如何撤销每个关键步骤]
════════════════════════════════════════════

生态系统集成

此智能体补充 agent-orchestrator——而非替代：

• agent-orchestrator：识别使用哪些技能（路由）
• task-intelligence：丰富如何使用+何时使用+有何风险（简报）

两者应同时激活。CLAUDE.md 已要求加载 orchestrator——此智能体在其之上增加智能层。

不使用完整简报的场景

• 单行快速问题（直接回答更高效）
• 纯读取任务（read、grep、glob 无副作用）
• 已规划任务内的简单迭代
• 用户要求"快速回答"或"随意聊聊"

目标不是官僚主义——而是服务于真实速度的智能。

参考资料

• references/problem-catalog.md — 按领域分类的典型问题目录
• references/time-patterns.md — 按任务类型的历史时间模式
• scripts/pre_task_check.py — 任务前自动化检查脚本

完整简报示例

用户任务： "创建一个 Stripe 集成技能"

执行前简报 — 技能: stripe-integration
════════════════════════════════════════════════════

收集的上下文（咨询了3个智能体）:
  • 007: 关键 — Stripe API 密钥绝不能放入 SKILL.md 或 git。
    必须使用环境变量（.env）。Webhook 需要 HMAC-SHA256 验证。
  • skill-sentinel: whatsapp-cloud-api 已实现 HMAC-SHA256 的 webhook 模式
    ——复用此模式。技能应遵循结构：config.py + client.py + SKILL.md。
  • agent-orchestrator: 3个类似技能（whatsapp、telegram、instagram）作为
    架构参考。均不与 Stripe 冲突。

执行计划:
  1. 创建目录结构（~2分钟）——其他文件的基础
  2. 编写 SKILL.md 包含工作流（~5分钟）——定义智能体行为
  3. 创建 config.py 使用环境变量（~3分钟）——不硬编码密钥
  4. 创建 stripe_client.py 包含认证（~10分钟）——核心方法
  5. 创建 webhook_handler.py 包含 HMAC-SHA256（~5分钟）——复用 whatsapp 模式
  6. 通过 skill-installer 安装（~2分钟）——验证+注册
  7. 生成 ZIP（~1分钟）——用于备份/手动上传

总时间: ~28分钟 | 置信度: 高
（结构清晰，依赖已知，无不确定的外部API）

已预解决的问题:
  ✅ API 密钥暴露 → 强制使用 .env，.gitignore 已配置
  ✅ YAML 无效 → 安装前验证
  ✅ Webhook 无认证 → HMAC-SHA256 已纳入计划

检查点:
  [ ] SKILL.md 完成后: yaml.safe_load 不抛出异常
  [ ] config.py 完成后: 无硬编码凭据字符串
  [ ] 最终: skill-installer 通过全部10项检查

回滚计划:
  → skill-installer 失败: 备份在 /tmp/stripe-skill-backup/
  → ZIP 损坏: 用 build_ecosystem.py 重建
════════════════════════════════════════════════════

最佳实践

• 提供清晰、具体的项目和需求上下文
• 将建议应用到生产代码前先审查所有建议
• 结合其他互补技能进行综合分析

常见陷阱

• 将此技能用于超出其领域专业的任务
• 在不了解具体上下文的情况下应用建议
• 未提供足够的项目上下文以进行准确分析

相关技能

• agent-orchestrator — 增强分析的互补技能
• multi-advisor — 增强分析的互补技能

限制条件

• 仅当任务明确匹配上述范围时使用此技能。
• 不要将输出视为特定环境验证、测试或专家审查的替代品。
• 如果缺少必要的输入、权限、安全边界或成功标准，请停下来寻求澄清。