企业官网建设流程全解析

name: task-intelligence
description: “Protocolo de Inteligência Pré-Tarefa — ativa TODOS os agentes relevantes do ecossistema ANTES de executar qualquer tarefa solicitada pelo usuário.”
risk: none
source: community
date_added: ‘2026-03-06’
author: renat
tags:

• planning
• pre-task
• risk-analysis
• orchestration
  tools:
• claude-code
• antigravity
• cursor
• gemini-cli
• codex-cli

任务智能——任务前放大协议

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的智能体。通过多智能体并行分析来丰富上下文，产生真实的时间估算（开始→结束），绘制可能和不可能的问题，并制定带有应急策略的预先执行计划。

何时使用此技能

• 当用户提到"pre-task briefing"（任务前简报）或相关主题时
• 当用户提到"briefing tarefa"（任务简报）或相关主题时
• 当用户提到"plano execucao tarefa"（任务执行计划）或相关主题时
• 当用户提到"antes de executar analise"（执行前分析）或相关主题时
• 当用户提到"task intelligence"（任务智能）或相关主题时
• 当用户提到"consultar agentes paralelo"（并行咨询智能体）或相关主题时

不要使用此技能的场景

• 任务与任务智能无关
• 有更简单、更具体的工具可以处理该请求
• 用户需要无需领域专长的通用帮助

工作原理

在任何执行之前，此智能体会进行一次完整的智能简报：

1. 并行激活所有相关智能体——每个智能体从自己的视角分析任务
2. 综合集体知识形成统一计划
3. 估算从开始到结束的真实时间（含按阶段的分解）
4. 绘制可能的问题并提前解决
5. 定义检查点以在偏差变成阻碍之前发现它们

核心理由：执行任务而没有这个简报，就像不做术前检查就进行手术。
30-60 秒的并行分析成本，可消除数小时的返工。

阶段 1 — 任务分类（5-10 秒）

在做任何事之前，将任务归入以下类别之一：

对于简单任务，直接正常执行，无需完整简报。
对于中等、复杂和关键任务，执行下面的完整协议。

阶段 2 — 并行扫描与匹配

同时执行：

## 终端 1 — 更新注册表python agent-orchestrator/scripts/scan_registry.py## 终端 2 — 识别相关智能体python agent-orchestrator/scripts/match_skills.py"<用户任务>"

如果matched >= 2，执行编排：

python agent-orchestrator/scripts/orchestrate.py--skills<skill1,skill2,...>--query"<任务>"

阶段 3 — 向专业智能体简报

对于匹配到的每个相关智能体，提出一个有针对性的问题：

按智能体类型的查询模式：

• 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标准？”
• agent-orchestrator（编排）：“已经存在哪些技能可以解决此任务的一部分？”
• matematico-tao（复杂性）：“计算复杂度如何？是否存在非显而易见的优化？”
• context-guardian（连续性）：“是否有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、LGPD 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细分时间表：

时间估算 — [任务名称] ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 步骤 1: [名称] ~X 分钟 [时间原因] 步骤 2: [名称] ~X 分钟 [时间原因] 步骤 3: [名称] ~X 分钟 [时间原因] 应急（问题） +X 分钟 [典型意外情况的缓冲] ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 预计总计: ~X 分钟 置信度: 高/中/低 — [理由]

诚实估算规则：

• 切勿为了讨好而低估——用户需要知道真实时间
• 始终为典型问题增加 20-30% 的缓冲
• 如果置信度低，解释原因以及什么能提高置信度
• 区分"智能体执行时间"与"用户等待时间"

阶段 5 — 问题地图（主动预判）

思考三层问题：

可能的问题（80% 以上会发生）

这些是总是发生的问题。在开始之前解决它们。

按类别的示例：

• 新技能：YAML 无效 → 在安装前用python -c "import yaml; yaml.safe_load(open('SKILL.md').read())"验证
• 外部 API：密钥过期、速率限制、端点变更 → 先验证认证
• 安装：缺少依赖、版本不兼容 → 在执行前阅读 requirements.txt
• 文件：路径不存在、权限被拒、编码错误 → 在打开前检查
• Git/版本控制：分支错误、合并冲突、未提交的更改 → 始终先执行git status

可能的问题（30-70% 的概率）

取决于当前状态可能发生的问题。

策略：在假设一切正常之前快速检查状态。

不可能但关键的问题（< 10% 但高影响）

不可逆操作、数据丢失、凭据暴露。

策略：预防性备份、明确确认、回滚计划。

问题地图模板：

问题地图 — [任务名称] ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 可能发生（在开始前解决）： ⚠ [问题] → [现在应用的预防性解决方案] ⚠ [问题] → [现在应用的预防性解决方案] 可能（执行期间监控）： ~ [问题] → [警报信号] → [发生时采取的行动] 关键（低概率、高影响）： 🔴 [风险] → [备份/回滚计划] ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

阶段 6 — 增强的执行计划

收集智能体分析 + 估算 + 问题地图后，产出：

执行前简报 — [任务名称] ════════════════════════════════════════════ 已收集的上下文： • [智能体 1 的见解] • [智能体 2 的见解] • [智能体 3 的见解] 执行计划： 1. [步骤] (~X 分钟) — [为什么是这个顺序] 2. [步骤] (~X 分钟) — [依赖于上一步] 3. [步骤] (~X 分钟) — [质量检查] 总时间: ~X 分钟 | 置信度: 高/中/低 已预先解决的问题： ✅ [问题] → [已应用的解决方案] ✅ [问题] → [已应用的解决方案] 检查点： [ ] 步骤 1 之后：检查 [成功标准] [ ] 步骤 2 之后：检查 [成功标准] [ ] 最后：验证完整结果 回滚计划（如果出问题）： → [如何撤销每个关键步骤] ════════════════════════════════════════════

与生态系统的集成

此智能体补充agent-orchestrator——并不取代它：

• agent-orchestrator：识别使用哪些技能（路由）
• task-intelligence：丰富如何使用 + 何时使用 + 有什么风险（简报）

两者应一起激活。CLAUDE.md 已经要求使用 orchestrator——此智能体在其之上添加智能层。

何时不使用完整简报

• 一行字的快速提问（直接回答更高效）
• 纯读取任务（read、grep、glob，无副作用）
• 已规划任务中的简单迭代
• 当用户说"就快速回答一下" / "随便聊聊"时

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— 各领域的典型问题目录
• references/time-patterns.md— 各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：“创建一个用于 Stripe 集成的技能”

执行前简报 — 技能: stripe-integration ════════════════════════════════════════════════════ 已收集的上下文（咨询了 3 个智能体）： • 007: 关键 — Stripe 的 API 密钥不应进入 SKILL.md 或 git。 使用环境变量（.env）。Webhook 需要 HMAC-SHA256 验证。 • skill-sentinel: whatsapp-cloud-api 已实现 webhook 的 HMAC-SHA256 模式 — 复用该模式。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. 编写带工作流的 SKILL.md (~5 分钟) — 定义智能体行为 3. 创建带环境变量的 config.py (~3 分钟) — 不硬编码密钥 4. 创建带认证的 stripe_client.py (~10 分钟) — 主要方法 5. 创建带 HMAC-SHA256 的 webhook_handler.py (~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、没有不确定的外部 API） 已预先解决的问题： ✅ API 密钥暴露 → 强制 .env，配置 .gitignore ✅ YAML 无效 → 安装前验证 ✅ Webhook 无认证 → 计划中包含 HMAC-SHA256 检查点： [ ] SKILL.md 之后: yaml.safe_load 不抛出异常 [ ] config.py 之后: 没有硬编码的凭据字符串 [ ] 最后: skill-installer 通过 10 项检查 回滚计划： → 如果 skill-installer 失败: 备份在 /tmp/stripe-skill-backup/ → 如果 ZIP 损坏: 用 build_ecosystem.py 重建 ════════════════════════════════════════════════════

最佳实践

• 提供关于项目和需求的清晰、具体的上下文
• 在将任何建议应用于生产代码之前审查所有建议
• 与其他互补技能结合使用以获得全面分析

常见陷阱

• 将本技能用于其领域专长之外的任务
• 不理解您的具体上下文就应用建议
• 未提供足够的项目上下文以进行准确分析

相关技能

• agent-orchestrator- 用于增强分析的互补技能
• multi-advisor- 用于增强分析的互补技能

局限性

• 仅当任务明确匹配上述范围时才使用此技能。
• 不要将输出视为针对特定环境验证、测试或专家审查的替代品。
• 如果缺少所需输入、权限、安全边界或成功标准，请停下来询问澄清。