# Task Intelligence

> 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进行并行分析。触发词：任务前简报、任务简报、执行计划、预执行分析、任务智能、并行咨询智能体

- Skill: `kscz0000/task-intelligence` (Agent Skill, multi-file: 3 files)
- Install (CLI): `npx skillmds@latest add kscz0000/task-intelligence`
- Raw SKILL.md: https://api.skillmd.com/api/skills/kscz0000/task-intelligence/raw
- Safety review: pending
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: Productivity
- Author: kscz0000 (https://skillmd.com/u/kscz0000)
- Updated: 2026-09-21
- Page: https://skillmd.com/skills/kscz0000/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：

| 类别 | 示例 | 简报级别 |
|------|------|----------|
| **简单** | 回答问题、解释概念、小幅编辑 | 最低（仅扫描） |
| **中等** | 创建文件、修改技能、安装依赖 | 正常（扫描+匹配+估算） |
| **复杂** | 创建新技能、API集成、架构设计、重构 | 完整（以下所有步骤） |
| **关键** | 不可逆操作、部署、删除、重置、修改基础设施 | 最高+显式确认 |

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：

```bash

## 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：
```bash
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。