long-run-agent 3.3.0

A powerful framework for managing long-running AI Agent tasks

LRA - AI Agent Task Manager v3.3

通用 AI Agent 任务管理框架 - Agent 自治式初始化

核心特性

• 通用任务模型：支持软件开发、小说写作、数据处理等多种场景
• Jinja2 模板：强大的模板引擎，支持条件/循环语法
• 任务依赖：DAG 依赖关系，自动解锁完成的任务
• 优先级调度：P0-P3 优先级，Agent 自评
• 多 Agent 协作：层级锁机制，支持大模型拆分任务、小模型并行开发
• 输出限制感知：根据模型输出能力推荐/拆分任务
• 🆕 Agent 自治初始化 (v3.3.0): 自动预检 + 增量处理 + 文档闭环

安装

# 安装（自动包含 Jinja2）
pip install long-run-agent

# 开发环境
pip install long-run-agent[dev]

注意：v3.2.0+ Jinja2 已自动安装，无需额外操作。

快速开始

# 初始化项目
cd /your/project
lra init --name "My Project"

# Agent 获取上下文
lra context --output-limit 8k

命令参考

核心命令

命令	用途
lra context [--output-limit Xk]	获取项目状态 + 可领取任务
lra list [--status X] [--template X]	列出任务
lra create <desc> --template <name>	创建任务
lra show <id>	任务详情
lra set <id> <status>	更新状态（受模板约束）
lra split <id> --plan '<json>'	拆分任务（模型提供方案）

锁命令

命令	用途
lra claim <id>	领取任务（锁定自己+子任务）
lra publish <id>	发布子任务（释放子任务锁）
lra pause <id>	暂停并保存快照
lra resume <id>	查看快照
lra heartbeat <id>	心跳保活（每5分钟）

模板命令

命令	用途
lra template list	列出模板
lra template show <name>	查看模板详情
lra template create <name>	创建模板

依赖命令

命令	用途
lra deps <id>	查看任务依赖
lra deps <id> --dependents	查看依赖此任务的其他任务
lra check-blocked	检查并解锁 blocked 任务

优先级命令

命令	用途
lra set-priority <id> <P0|P1|P2|P3>	设置任务优先级

内置模板

模板	用途	状态
task	通用任务	pending → in_progress → completed
novel-chapter	小说章节	drafting → revising → finalized
code-module	代码模块	pending → in_progress → pending_test → completed
data-pipeline	数据流程	pending → running → success

多 Agent 协作流程

1. 大模型 claim task_001（整个模块）
2. 大模型编写架构/接口契约
3. 大模型 split task_001 --plan '[...]'
4. 大模型 publish task_001（释放子任务锁）
5. 小模型 context --output-limit 8k（获取可领取任务）
6. 小模型 claim task_001_01（领取子任务）
7. 小模型按契约开发
8. 大模型验收/集成

输出限制适配

模型	输出限制	使用
GPT-4o-mini	4K	--output-limit 4k
Claude 3.5	8K	--output-limit 8k
Claude 3.5 Sonnet	16K	--output-limit 16k
Claude 3.5 Sonnet Max	128K	--output-limit 128k

数据结构

.long-run-agent/
├── config.json          # 项目配置
├── task_list.json       # 任务列表
├── locks.json           # 任务锁
├── templates/           # 模板（可自定义）
│   ├── task.yaml
│   ├── novel-chapter.yaml
│   ├── code-module.yaml
│   └── data-pipeline.yaml
├── tasks/               # 任务文件
│   └── task_001.md
└── records/             # 变更记录
    └── task_001.json

自定义模板

# .long-run-agent/templates/my-template.yaml
name: my-template
description: 我的自定义模板
version: "2.0"
template_engine: jinja2  # 使用 Jinja2 引擎

structure: |
  # {{ id }}
  
  ## 描述
  {{ description }}
  
  {% if tech_stack %}
  ## 技术栈
  {{ tech_stack }}
  {% endif %}
  
  ## 交付物
  <!-- 请列出交付物 -->

states:
  - pending
  - working
  - done

transitions:
  pending: [working]
  working: [done]
  done: []

acceptance:
  - 验收标准 1
  - 验收标准 2

创建任务示例

# 基础创建
lra create "实现用户登录"

# 带优先级
lra create "紧急 Bug 修复" --priority P0

# 带依赖
lra create "集成测试" --dependencies task_001,task_002 --dependency-type all

# 带截止时间
lra create "发布版本" --deadline "2026-02-28T23:59:59"

# 带模板变量
lra create "API 开发" --template code-module \
  --variables '{"tech_stack": "FastAPI", "input_params": "user_id"}'

状态说明

状态	说明
blocked	依赖未完成，不可领取
pending	初始状态，可领取
in_progress	进行中
completed	完成（终态）

blocked 状态自动解锁：当依赖的任务完成后，blocked 任务会自动变为 pending 状态。

🆕 v3.3.0 Agent 自治式初始化

系统预检任务

LRA v3.3.0 引入自动化系统预检，在首次创建任务时自动执行项目评估：

检测维度：

• ✅ 代码规模（≤5MB）
• ✅ Git 提交规范性（≥30%）
• ✅ 文档覆盖率（≥40%）
• ✅ 函数注释占比（≥20%）

决策模式：

• 全量模式（满足所有阈值）：生成完整任务树
• 增量模式（任意不满足）：仅允许创建模块级任务

使用方法：

# 自动触发（首次创建任务时）
lra create "支付模块开发"

# 手动执行预检
lra system-check

# 查看预检报告
lra system-check --report

# 强制重新检查
lra system-check --full

# 分析指定模块
lra analyze-module payment

文档闭环

v3.3.0 新增文档更新任务自动绑定：

# 创建业务任务时，自动生成绑定的文档任务
lra create "支付模块开发" --priority P0

# 自动生成：doc_update_001（依赖 task_001）
# 描述：更新支付模块 README + 接口文档

配置模式（.long-run-agent/config.yaml）：

system_check:
  doc_enforcement: strict  # strict(强制) | soft(推荐) | disabled(关闭)

预检报告示例

{
  "project_id": "old_project_001",
  "decision": "incremental",
  "metrics": {
    "code_total_size_mb": 8.5,
    "git_valid_ratio": 0.15,
    "doc_coverage_ratio": 0.25
  },
  "reason": "代码体积 8.5MB>5MB，文档覆盖率 25%<40%，触发增量处理"
}

性能基准

测试环境

• Python: 3.9.6
• 操作系统: macOS (darwin)
• CPU 核心数: 20
• 物理内存: 64.0 GB

性能指标

规模	基础内存 (MB)	峰值内存 (MB)	每任务内存 (KB)	创建延迟 (ms)	读取延迟 (ms)	更新延迟 (ms)	吞吐量 (ops/s)
10 ⚡	21.8	22.2	41.6	2.85	0.06	3.03	807.58
50 ⚡	22.2	23.59	28.48	2.94	0.12	3.5	724.88
100 ⚡	23.59	23.83	2.4	3.25	0.2	4.25	663.94
200 ⚡	23.83	24.3	2.4	3.99	0.36	5.74	540.05
500	24.3	24.5	0.42	6.16	0.94	9.93	293.52
1000	24.5	26.52	2.06	9.9	1.91	17.23	172.12

说明:

• ⚡ 表示执行了依赖关系测试（200 任务以下）
• 测试包含：任务创建、读取、更新操作
• 详细报告：scripts/BENCHMARK_RESULTS.md

性能分析

• 内存增长: 10 任务 → 1000 任务，内存增长仅 19.5%
• 平均创建延迟: 4.85 ms
• 平均读取延迟: 0.60 ms
• 平均更新延迟: 7.28 ms
• 性能评级: 🟢 优秀 - 系统性能优秀，适合大规模任务管理

结沦

• ✅ 100 任务以下: 极快响应（< 4ms），适合实时交互
• ✅ 500 任务以下: 良好性能（< 10ms），适合常规使用
• ✅ 1000 任务: 可接受（< 20ms），适合批量处理

环境要求

• Python ≥ 3.8
• Git ≥ 2.0（可选）

链接

• GitHub: https://github.com/hotjp/long-run-agent
• PyPI: https://pypi.org/project/long-run-agent/