Summer Shen
37 lines
2.6 KiB
Markdown
37 lines
2.6 KiB
Markdown
## 1. 项目基础设施
|
||
|
||
- [x] 1.1 在 `pyproject.toml` 中添加依赖：`llama-index-core`、`llama-index-llms-openai`、`python-frontmatter`
|
||
- [x] 1.2 创建模块文件结构：`src/llama_agent_skills/skill.py`、`registry.py`、`agent.py`、`config.py`
|
||
- [x] 1.3 在 `config.py` 中实现配置管理：LLM API key（环境变量）、默认 SKILL 目录路径、基础 system prompt
|
||
|
||
## 2. Skill 数据模型与解析器（skill.py）
|
||
|
||
- [x] 2.1 实现 `Skill` 数据类（frozen dataclass），包含字段：`name`、`description`、`body`、`metadata`、`source_path`
|
||
- [x] 2.2 实现 `SkillLoadError` 自定义异常类
|
||
- [x] 2.3 实现 `load_skill(path: Path) -> Skill` 函数：使用 `python-frontmatter` 解析 SKILL.md，校验必填字段（name、description），提取 metadata 并构造 Skill 实例
|
||
- [x] 2.4 处理解析错误场景：缺少 frontmatter、缺少必填字段、文件不存在，均抛出 `SkillLoadError`
|
||
|
||
## 3. SKILL 注册表（registry.py）
|
||
|
||
- [x] 3.1 实现 `SkillRegistry` 类，包含 `register(skill)`、`unregister(name)`、`get(name)`、`list_skills()` 方法
|
||
- [x] 3.2 实现 `scan_directory(path: Path) -> list[Skill]` 函数：遍历目录下所有 `*/SKILL.md` 文件，调用 `load_skill` 解析，跳过无效文件并记录日志
|
||
- [x] 3.3 实现 `SkillRegistry.load_from_directory(path)` 便捷方法：调用 `scan_directory` 并批量注册
|
||
|
||
## 4. Agent 核心（agent.py）
|
||
|
||
- [x] 4.1 实现 `build_system_prompt(base_prompt: str, skills: list[Skill]) -> str` 函数：按设计文档中的格式将 SKILL 内容拼接到 system prompt
|
||
- [x] 4.2 实现 `create_agent(skills, tools, llm_config) -> AgentWorkflow` 函数：使用 `AgentWorkflow.from_tools_or_functions()` 创建 Agent，传入组装后的 system prompt 和工具列表
|
||
- [x] 4.3 实现 `run_agent(agent, message) -> str` 异步函数：接受用户输入，运行 Agent 并返回响应文本
|
||
|
||
## 5. 入口整合（__init__.py）
|
||
|
||
- [x] 5.1 改造 `main()` 函数：从配置读取 SKILL 目录，创建 SkillRegistry 并加载 SKILL，构建 Agent，进入交互式对话循环
|
||
- [x] 5.2 支持命令行参数或环境变量指定 SKILL 目录路径和 LLM 模型名称
|
||
|
||
## 6. 验证与测试
|
||
|
||
- [x] 6.1 使用项目中现有的 `.opencode/skills/` 目录下的 SKILL.md 文件作为测试数据，验证 skill loader 能正确解析所有 4 个 SKILL
|
||
- [x] 6.2 验证 SkillRegistry 的注册、注销、列表功能
|
||
- [x] 6.3 验证 Agent 创建后的 system prompt 包含所有已加载 SKILL 的内容
|
||
- [x] 6.4 端到端测试：加载 SKILL → 创建 Agent → 发送消息 → 获取响应
|