analyze-task
分类: 工具与效率 | 上传者: 
分析已有任务并输出需求分析文档，支持多轮分析产物（analysis.md / analysis-r{N}.md）。 当用户要求分析某个任务时触发。参数：task-id。 --- # 分析任务 ## 行为边界 / 关键规则 - 本技能仅产出需求分析文档（`analysis.md` 或 `analysis-r{N}.md`）—— 不修改任何业务代码 - 严格基于 `task.md` 中已有的需求、上下文和来源信息展开分析 - 执行本技能后，你**必须**立即更新 task.md 中的任务状态 ## 执行步骤 ### 1. 验证前置条件 检查必要文件： - `.agent-workspace/active/{task-id}/task.md` - 任务文件 注意：`{task-id}` 格式为 `TASK-{yyyyMMdd-HHmmss}`，例如 `TASK-20260306-143022` 如果缺少 `task.md`，提示用户先创建或导入任务。 ### 2. 确定分析轮次 扫描 `.agent-workspace/active/{task-id}/` 目录中的分析产物文件： - 如果不存在 `analysis.md` 且不存在 `analysis-r*.md` → 本轮为第 1 轮，产出 `analysis.md` - 如果存在 `analysis.md` 且不存在 `analysis-r*.md` → 本轮为第 2 轮，产出 `analysis-r2.md` - 如果存在 `analysis-r{N}.md` → 本轮为第 N+1 轮，产出 `analysis-r{N+1}.md` 记录： - `{analysis-round}`：本轮分析轮次 - `{analysis-artifact}`：本轮分析产物文件名 ### 3. 阅读任务上下文 仔细阅读 `task.md` 以理解： - 任务标题、描述和需求列表 - 上下文信息（Issue、PR、分支、告警编号等） - 当前已知的受影响文件和约束 如 `task.md` 包含以下来源字段，补充读取对应来源信息： - `issue_number` - GitHub Issue - `codescan_alert_number` - Code Scanning 告警 - `security_alert_number` - Dependabot 告警 ### 4. 执行需求分析 遵循 `.agents/workflows/feature-development.yaml` 中的 `analysis` 步骤： **必要任务**（仅分析，不编写业务代码）： - [ ] 理解任务需求和目标 - [ ] 搜索相关代码文件（**只读**） - [ ] 分析代码结构和影响范围 - [ ] 识别潜在技术风险和依赖 - [ ] 评估工作量和复杂度 ### 5. 输出分析文档 创建 `.agent-workspace/active/{task-id}/{analysis-artifact}`。 ## 输出模板 ```markdown # 需求分析报告 - **分析轮次**：Round {analysis-round} - **产物文件**：`{analysis-artifact}` ## 需求来源 **来源类型**：{用户描述 / GitHub Issue / Code Scanning / Dependabot / 其他} **来源摘要**： > {任务来源或关键上下文} ## 需求理解 {用自己的话重述需求以确认理解} ## 相关文件 - `{file-path}:{line-number}` - {描述} ## 影响评估 **直接影响**： - {受影响的模块和文件} **间接影响**： - {可能受影响的其他部分} ## 技术风险 - {风险描述和缓解思路} ## 依赖关系 - {需要的依赖和与其他模块的协调} ## 工作量和复杂度评估 - 复杂度：{高/中/低} - 风险等级：{高/中/低} ``` ### 6. 更新任务状态 获取当前时间： ```bash date "+%Y-%m-%d %H:%M:%S" ``` 更新 `.agent-workspace/active/{task-id}/task.md`： - `current_step`：requirement-analysis - `assigned_to`：{当前 AI 代理} - `updated_at`：{当前时间} - 记录本轮分析产物：`{analysis-artifact}`（Round `{analysis-round}`） - 如任务模板包含 `## 分析` 段落，更新为指向 `{analysis-artifact}
更新日志: Source: GitHub https://github.com/fitlab-ai/agent-infra
还没有评论，快来第一个发言吧。