GitHub - YardonYan/task-skill-orchestrator: 将复杂任务拆解为依赖感知的 DAG，按波次并行派发给多个 Sub Agent，最后汇总合并 /Decompose complex tasks into a dependency-aware DAG of subtasks, dispatch in parallel waves to multiple Sub Agents, and aggregate results.

不要一次只做一件事。拆解、并行、编排。

中文 · English

把一个复杂需求拆成有依赖关系的子任务 DAG，按波次并行派发给多个 Sub Agent 执行，最后汇总成统一交付物。

Stop doing one thing at a time. Decompose, parallelize, orchestrate.

解决什么问题

当 AI 面对一个复杂需求时——比如「调研三家公司并汇总成报告」，或者「整理桌面、清理系统垃圾、再备份重要文件」——默认做法是串行：先做 A，再做 B，再做 C。中间还夹着一次又一次的等待。

真正的瓶颈不是单个任务慢，而是它们本来互不依赖，却被排成了一条队。

Task Orchestrator 改变这一点。 它分析需求、拆成原子子任务、识别彼此依赖、构建有向无环图（DAG），再把互不依赖的子任务按波次并行派发。结果是更短的执行时间、更清晰的结构，以及每一步都可验证的中间产出。

工作方式

整个链路分四步：

一、分析拆解。把用户需求切成粒度合理的原子子任务，并区分哪些独立、哪些有依赖。

二、构建依赖图。识别数据依赖、时序依赖和逻辑依赖，构造成 DAG，并验证图中没有环。

三、波次规划。对 DAG 做拓扑分层，同一层的任务互相独立，构成一个波次；生成执行计划交用户确认。

四、执行与汇总。每个波次内的任务同时派发给多个 Sub Agent，全部返回后验收，再进入下一波，最后合并为统一交付物。

graph TD
    A[👤 用户需求] --> B[🔍 阶段一：分析拆解]
    B --> C[🧩 阶段二：构建依赖图]
    C --> D[🌊 阶段三：波次规划]
    D --> E[⚡ 阶段四：执行与汇总]
    E --> F[📦 最终交付]

    subgraph W0["Wave 0（并行）"]
        T1[任务 1]
        T2[任务 2]
        T3[任务 3]
    end

    subgraph W1["Wave 1（汇总）"]
        T4[任务 4]
    end

    T1 --> T4
    T2 --> T4
    T3 --> T4

一句话概括机制：同一波次内可以并行，跨波次必须等待。

核心能力

自动拆解：解析复杂需求并切分为原子子任务，不需要人工规划。
依赖感知 DAG：识别子任务间的数据、时序与逻辑依赖，构建并验证有向无环图。
波次并行派发：把互相独立的子任务分到同一波，由多个 Sub Agent 同时执行。
结果汇总：收集全部子任务产出，优雅处理失败分支，合并为统一交付物。
多 Agent 路由：按任务类型自动路由到对应的 Sub Agent（file-agent、search-agent、browser、app-agent、computer-agent）。

平台

主要平台：OpenClaw（通过 sessions_spawn 派发子 Agent）。

可适配 Claude Code 或其他具备子 Agent 能力的平台。平台无关的 DAG 引擎见 scripts/orchestrate.py。

安装

用安装器（推荐）

仓库自带一个零依赖的安装脚本，装到本机各个 AI 应用的 skills 目录，不需要手工拷贝：

node tools/install.mjs --list                 # 看有哪些目标可选
node tools/install.mjs --ai openclaw          # 装到 OpenClaw
node tools/install.mjs --ai workbuddy --ai trae-cn   # 一次装多个
node tools/install.mjs --ai all               # 装到全部目标
node tools/install.mjs --ai all --dry-run     # 只预览，不写文件
node tools/install.mjs --ai openclaw --uninstall    # 卸载

已核对存在的目标：OpenClaw、WorkBuddy、TRAE 国内版、CodeBuddy、Claude Code、Codex CLI、Qwen Code、cc-switch。cursor 与通用 .agents 用的是通行约定，未在本机核对。

作为插件安装（WorkBuddy / CodeBuddy / Claude Code）

仓库根目录带 .codebuddy-plugin/ 与 .claude-plugin/ 两份清单，可以直接注册成一个「单插件市场」，在应用里按插件方式安装，不用手工拷目录。

清单的字段名与取值是照着应用自带的插件清单写的，不是自己发明的格式。文件格式已逐字段对照应用自带的市场核对；注册与加载的端到端流程未做验证，注册入口以你所装版本的界面为准。

改过 SKILL.md 的 name 或版本号之后重新生成：

node tools/build_plugins.mjs .

OpenClaw 手工安装

# macOS / Linux
cp -r task-skill-orchestrator ~/.qclaw/skills/

# Windows (PowerShell)
Copy-Item -Recurse task-skill-orchestrator $env:USERPROFILE\.qclaw\skills\

或通过 SkillHub：

openclaw skill install task-skill-orchestrator

使用途径

使用方式取决于你用哪个 AI 助手。同一台机器上装到多个助手是允许的，互相不冲突。

一条命令装到任意助手

仓库自带零依赖安装器，不用手工拷贝目录：

git clone https://github.com/YardonYan/task-skill-orchestrator.git
cd task-skill-orchestrator
node tools/install.mjs --list          # 看本机有哪些目标可选
node tools/install.mjs --ai workbuddy  # 装到某一个
node tools/install.mjs --ai all        # 一次装到全部

国内工具

目标 id	助手	全局目录	项目内目录
`workbuddy`	WorkBuddy	`~/.workbuddy/skills`	`.workbuddy/skills`
`codebuddy`	CodeBuddy	`~/.codebuddy/skills`	`.codebuddy/skills`
`trae-cn`	TRAE 国内版	`~/.trae-cn/skills`	`.trae-cn/skills`
`qoder`	Qoder	`~/.qoder-cn/skills`	`.qoder/skills`
`qwen`	Qwen Code	`~/.qwen/skills`	`.qwen/skills`
`openclaw`	OpenClaw	`~/.openclaw/workspace/skills`	`.openclaw/skills`
`cc-switch`	cc-switch	`~/.cc-switch/skills`	`.cc-switch/skills`

Qoder 装完需要执行 /skills reload 或重启会话才会识别。OpenClaw 另有技能市场 SkillHub（腾讯云托管，openclaw skill install <slug>），国内网络可直连。

国外工具

目标 id	助手	全局目录	项目内目录
`claude`	Claude Code	`~/.claude/skills`	`.claude/skills`
`codex`	Codex CLI	`~/.codex/skills`	`.codex/skills`
`cursor`	Cursor	`~/.cursor/skills`	`.cursor/skills`
`agents`	通用 Agent 标准	`~/.agents/skills`	`.agents/skills`

这几个在国内使用通常需要外网环境。

不加参数装全局目录（所有项目可用）；加 --project 装当前项目的相对目录，适合随项目提交、团队共享。

国内网络注意事项

安装器本身只在本机读写文件，不联网。真正受网络影响的是仓库里的演示页与外部资源：

事项	情况
本仓脚本	`orchestrate.py` 与示例脚本只用 Python 标准库，不联网，国内环境可直接运行

作为插件安装

仓库根目录带四套插件清单，可以直接被支持插件市场的助手装走，不需要手工拷目录：

助手	清单位置	装法
WorkBuddy / CodeBuddy	`.codebuddy-plugin/`	在插件管理的市场设置里添加本仓库路径或地址
Claude Code	`.claude-plugin/`	`/plugin marketplace add YardonYan/task-skill-orchestrator` 后 `/plugin install task-skill-orchestrator@YardonYan-task-skill-orchestrator`
Codex	`.codex-plugin/`	按 Codex 的插件安装流程指向本仓库
Cursor	`.cursor-plugin/`	`/add-plugin` 或在插件市场里搜索

清单的字段名与取值是照着各助手自带的插件清单写的，不是自己发明的格式。清单文件已逐字段对照核对；插件市场的注册与加载端到端流程未做验证，入口以你所装版本的界面为准。

不适用这些场景

有几种环境问了但没有对应机制，说明如下，免得白折腾：

场景	情况
网页 IDE（CodeSandbox、StackBlitz、Replit）	技能是给 AI 助手读的指令文件，不是可运行的应用，这些环境没有对应的加载入口
云主机 / 云 Shell（Google Cloud Shell、AWS CloudShell）	同上。如果只是想跑仓库里的脚本，直接 `git clone` 后照文档执行命令即可，跟技能加载是两回事
把仓库 ZIP 直接上传到助手的技能上传框	仓库含参考资料与脚本，文件数可能超限；改用安装器或插件市场更稳
手机	上述助手基本没有移动端客户端

怎么调用

在对话中使用以下任一表达即可触发：

中文	English
并行处理	handle these in parallel
同时做这些	do all of these at once
拆任务	split this task
多线并进	multi-thread this
批量执行	batch execute
复杂任务拆解	decompose this complex task

使用示例

例一，有依赖的场景：

用户：帮我调研特斯拉、比亚迪、蔚来三家公司的 2025 年市场份额、核心技术和最新财报，最后汇总成对比报告

Agent：
拆解完成。4 个子任务，2 个波次。

Wave 0（并行，3 个任务）：
  ① 调研特斯拉 2025 市场份额、核心技术、财报 → search-agent
  ② 调研比亚迪 2025 市场份额、核心技术、财报 → search-agent
  ③ 调研蔚来   2025 市场份额、核心技术、财报 → search-agent

Wave 1（汇总，依赖 Wave 0 全部完成）：
  ④ 合并三份调研结果，产出对比报告 → file-agent

是否开始执行？

用户：执行

[Agent 并行派发 ①②③，等待全部返回，再派发 ④]
[产出：car_companies_comparison_report.md]

例二，完全独立的场景：

用户：同时帮我做三件事：整理桌面文件、清理系统垃圾、备份 D 盘重要文件到 E 盘

Agent：
拆解完成。3 个子任务，1 个波次。
（三者互相独立，无依赖关系。）

Wave 0（并行，3 个任务）：
  ① 整理桌面文件 → file-agent
  ② 清理系统垃圾 → computer-agent
  ③ 备份 D 盘重要文件到 E 盘 → file-agent

是否开始执行？

文件结构

task-skill-orchestrator/
├── SKILL.md                  # 核心技能指令
├── .codebuddy-plugin/              插件清单（WorkBuddy / CodeBuddy）
├── .codex-plugin/                  插件清单（Codex）
├── .cursor-plugin/                 插件清单（Cursor）
├── .claude-plugin/                 插件清单（Claude Code）
├── README.md                 # 中文说明（本文件）
├── README.en.md              # English README
├── CHANGELOG.md              # 版本历史
├── CONTRIBUTING.md           # 贡献指南
├── LICENSE                   # Apache-2.0 许可证
├── meta.json                 # 技能元数据
├── assets/
│   ├── dag-waves.png         # 分波并行机制图
│   └── pipeline.png          # 四阶段流水线图
├── examples/
│   └── parallel_research.py  # 可运行示例，演示 DAG 逻辑
├── scripts/
│   └── orchestrate.py        # 平台无关的 DAG 引擎
├── tests/
│   └── test_orchestrator.py  # DAG 逻辑单元测试
└── tools/
│  ├── gen_readme_images.py  # 生成 README 配图（Pillow）
│  └── build_plugins.mjs       生成插件清单

运行示例

cd examples
python parallel_research.py

输出：

============================================================
用户需求：帮我调研特斯拉、比亚迪、蔚来三家公司的 2025 年市场份额...
============================================================

[阶段一] 分析拆解...
4 个子任务：
  [T1] 调研特斯拉 2025 市场份额、核心技术、财报
  [T2] 调研比亚迪 2025 市场份额、核心技术、财报
  [T3] 调研蔚来   2025 市场份额、核心技术、财报
  [T4] 合并三份调研结果，产出对比报告

[阶段二] 构建依赖图...
依赖关系：
  T1 → T4
  T2 → T4
  T3 → T4

[阶段三] 波次规划...
  Wave 0: T1, T2, T3
  Wave 1: T4

============================================================
执行计划：
============================================================
拆解完成。4 个子任务，2 个波次。

Wave 0（并行，3 个任务）：
  • [T1] 调研特斯拉... → search-agent
  • [T2] 调研比亚迪... → search-agent
  • [T3] 调研蔚来...   → search-agent

Wave 1（汇总）：
  • [T4] 合并三份调研结果 → file-agent

是否开始执行？
============================================================

排错

装好了但对话里没反应

按顺序查三件事：

一、SKILL.md 是否在技能目录的根层。 正确结构是 <应用技能目录>/task-skill-orchestrator/SKILL.md。如果多套了一层目录，应用扫不到。

二、重启应用。 多数应用只在启动时扫描技能目录。

三、确认目录是该应用真正会扫的那个。 跑 node tools/install.mjs --list 看清单。

说了「并行处理」，模型还是自己一个个做

模型可能绕过技能、临时写脚本串行执行。触发词要用明白些，一次说清要并行：

这几件事互相独立，请用并行处理，先给我执行计划再动手

技能被设计成「先出计划、等确认、再派发」，所以看到计划就说明已经接管了。如果连计划都没有，就是没触发。

`python scripts/orchestrate.py` 卡住不动

它在等 stdin。这个脚本从标准输入读 DAG 的 JSON，直接运行会一直挂着。正确用法：

echo '{"tasks":[{"id":"T1","description":"调研特斯拉"},{"id":"T2","description":"合并报告","depends_on":["T1"]}]}' | python scripts/orchestrate.py

只想看用法说明就跑 python scripts/orchestrate.py --help。

同一波次里的任务顺序和我写的不一样

正常。同波任务本来就是并行执行的，顺序没有意义；输出按任务 id 自然序排列（T1 T2 ... T9 T10），只是为了每次运行结果一致、方便比对。跨波次的顺序则是严格的，第 N+1 波必须等第 N 波全部返回。

单元测试没有任何输出

测试文件是 pytest 风格，直接 python tests/test_orchestrator.py 不会有任何反应。用 pytest 跑：

python -m pytest tests/test_orchestrator.py -v

当前共 16 个用例。

目标平台没有 Sub Agent 能力

技能在 OpenClaw 上用 sessions_spawn 派发子 Agent。如果目标平台不支持并行子 Agent，波次计划仍然可用来理清依赖和顺序，只是同波任务会退化成串行执行——结构上的收益（拆解、依赖可视化、可验证的中间产出）仍然保留。

贡献

欢迎提交 Issue 和 PR，请先阅读 CONTRIBUTING.md。

版本

完整版本历史见 CHANGELOG.md。

v1.0.0（2026-05-25）：初始版本。核心四阶段流水线：拆解 → 依赖图 → 波次派发 → 汇总。

许可证

Apache-2.0 —— 自由使用、修改、分发，需保留署名与协议声明。完整条款见 LICENSE。

Navigation Menu

Repository navigation

About

Repository files navigation

目录

解决什么问题

工作方式

核心能力

平台

安装

用安装器（推荐）

作为插件安装（WorkBuddy / CodeBuddy / Claude Code）

OpenClaw 手工安装

使用途径

一条命令装到任意助手

国内工具

国外工具

国内网络注意事项

作为插件安装

不适用这些场景

怎么调用

使用示例

文件结构

运行示例

排错

装好了但对话里没反应

说了「并行处理」，模型还是自己一个个做

`python scripts/orchestrate.py` 卡住不动

同一波次里的任务顺序和我写的不一样

单元测试没有任何输出

目标平台没有 Sub Agent 能力

贡献

版本

许可证

About

Releases

Packages

Contributors

Languages

Name		Name	Last commit message	Last commit date
.claude-plugin		.claude-plugin
.codebuddy-plugin		.codebuddy-plugin
.codex-plugin		.codex-plugin
.cursor-plugin		.cursor-plugin
assets		assets
examples		examples
scripts		scripts
tests		tests
tools		tools
.gitignore		.gitignore
CHANGELOG.md		CHANGELOG.md
CONTRIBUTING.md		CONTRIBUTING.md
LICENSE		LICENSE
README.en.md		README.en.md
README.md		README.md
SKILL.md		SKILL.md
meta.json		meta.json

Latest commit

History

Folders and files

Repository files navigation

目录

解决什么问题

工作方式

核心能力

平台

安装

用安装器（推荐）

作为插件安装（WorkBuddy / CodeBuddy / Claude Code）

OpenClaw 手工安装

使用途径

一条命令装到任意助手

国内工具

国外工具

国内网络注意事项

作为插件安装

不适用这些场景

怎么调用

使用示例

文件结构

运行示例

排错

装好了但对话里没反应

说了「并行处理」，模型还是自己一个个做

python scripts/orchestrate.py 卡住不动

同一波次里的任务顺序和我写的不一样

单元测试没有任何输出

目标平台没有 Sub Agent 能力

贡献

版本

许可证

About

Topics

Resources

Contributing

Stars

Watchers

Forks

Releases

Packages

Contributors

Languages

`python scripts/orchestrate.py` 卡住不动