知序
返回
保存草稿
发布
H1
H2
H3
1
2
3
Excalidraw 图
AI 写作
AI 优化
目录
输入内容后显示目录
Markdown
# 一次 Agent 任务的完整生命周期 > 导读:本文从"同样一句话交给 Agent,为什么每次走的路径都不一样、还会走岔再回来;而 Kafka 里一条消息的一生却是确定性的线性日志"这个对比疑问出发,把一次 Agent 任务从接收、规划、执行主循环、中断与人工介入、交付验证到收尾沉淀的各个阶段,以及贯穿全程的状态与记忆、多 Agent 流转、故障兜底逐项讲透,最后给出工程实践与踩坑。适合想建立 Agent 全链路认知、准备"生命周期/状态机/可靠性"类面试问题的同学。 ## 一、先建立全局认知 ### Q:Agent 的生命周期和 Kafka 消息的生命周期,本质区别是什么? A:结论先行——Kafka 里一条消息的一生是"**确定性的线性日志**"(生产 → 落盘 → 同步 → 消费 → 删除);Agent 里一次任务的一生是"**带循环、分支、中断与试错的状态机**",同样的问题每次走的路可能不同,还可能走岔路再回来。 ```text Kafka 里一条消息的一生是"确定性的线性日志":生产 → 落盘 → 同步 → 消费 → 删除。 Agent 里一次任务的一生是"带循环、分支、中断与试错的状态机": 同样的问题,每次走的路可能不同,还可能走岔路再回来。 ``` 为什么这个对比重要?因为它决定了你排查问题的思维方式。Kafka 里"消息丢了"要去看 offset 提交时机;Agent 里"任务没做成"要去看**状态走到哪、哪一步走偏、是否还在进展**。前者是查日志,后者是查状态机。这也是为什么像 LangGraph 这类框架要把生命周期**显式建模成"状态 + 节点 + 边"**,而不是藏在 if/else 里——只有显式建模,才能查询、暂停、恢复与观测。 ### Q:学 Agent 的生命周期,核心要抓住哪三件事? A:结论先行——抓住**状态、转移、终止与验证**三件事。 ```text 所以学 Agent 的生命周期,核心是抓住三件事: 1. 这次任务现在"走到哪一步"了(状态) 2. 这一步失败/走偏了往哪退、哪重试(转移) 3. 怎么证明它真的"做完了"(终止与验证) ``` 这三件事对应三个工程问题:状态要能**持久化**(否则进程一挂就全丢)、转移要能**兜底**(失败要有重试/降级/转人工路径)、终止要能**被证明**(LLM 说完成不算数,要过程序化校验)。 ### Q:一次典型的 Agent 任务会经过哪几个阶段? A:结论先行——大致分为六个递进阶段(接收 → 规划 → 执行主循环 → 中断与人工介入 → 交付验证 → 收尾沉淀),外加一个贯穿全程的横切面(状态与记忆)。  *图:Agent 任务的五个阶段与横切的状态、记忆* ```text 阶段①接收 阶段②规划 阶段③执行主循环 阶段④交付 阶段⑤收尾 ┌────────┐ ┌────────┐ ┌──────────────────────┐ ┌────────┐ ┌────────┐ │ 输入+护栏 │ → │ 任务拆解 │ → │ 思考 → 工具 → 观察 │ → │ 校验+交付 │ → │ 记忆沉淀 │ └────────┘ └────────┘ │ (循环 N 轮,直到满足终止条件)│ └────────┘ │ 上下文治理│ └──────────────────────┘ ▲ ↑ 失败→重试/降级/转人工 │ 记账+留痕│ │ └──────────────────────┘ └────────┘ ▲ 横切:状态与记忆(每轮都读写)│ └─────────────────────────────┘ ``` 按时间轴展开,每个时刻对应一个动作:  *图:一次 Agent 任务的时间线:T1 任务到达 → T7 收尾* ```text 时刻 发生了什么 ────────────────────────────────────────────────────────────────────────── T1 任务到达:拼装 System/User Prompt,护栏先过滤一遍 T2 规划:大任务拆成子目标;简单任务可省略,直接进循环 T3 主循环第 1 跳:LLM 思考 → 请求调用工具 → 程序执行 → 结果回填上下文 T4 主循环第 N 跳:继续推理,或反思发现走偏 → 修正路线 T5 满足终止条件:LLM 自判完成 / 达到轮次上限 / 预算耗尽 / 被中断 T6 交付:输出被校验,不合格则重试或降级;关键动作可先经人工审批 T7 收尾:经验写回长期记忆、会话上下文治理、trace 与 Token 账单落库 ────────────────────────────────────────────────────────────────────────── 贯穿全程:每跳的状态都被 checkpoint,进程中断后可从断点恢复 任务也可能被转交给其他 Agent → 对对方而言又是一次新任务的开始 ``` 一句话总结这个全局:**Agent 任务的"生命周期"就是状态在时间轴上的展开。** ## 二、理解核心机制:各阶段到底在做什么 ### Q:阶段一"接收"要做哪些事?护栏拦的是什么? A:结论先行——用户输入不会直接进主循环,先过两道门:**组装上下文**和**输入侧护栏**。 ```text 1. 组装上下文 System Prompt(角色/规则) + 用户输入 + 已有记忆 → 形成初始状态 2. 输入侧护栏(Guardrail) - 越权/危险指令 → 拒绝 - 提示注入(让 Agent 泄露 System Prompt)→ 过滤 - 输入超长 → 先截断或摘要 ``` 为什么这一阶段决定成败?因为它决定了"任务会不会开始、以什么身份开始"。护栏漏了,后面再多的校验都是亡羊补牢——一次成功的提示注入可能直接让 Agent 执行越权操作。把它类比成 Kafka 里"消息能不能被生产",就很贴切。 ### Q:阶段二"规划"是必须的吗?计划错了怎么办? A:结论先行——不是必须的;简单任务不需要规划,复杂任务才拆子目标,而且规划只是"软承诺",执行中必须允许修改。 ```text 简单任务(查个天气):不需要规划,直接进入"思考→工具"循环。 复杂任务(写竞品分析报告): 规划器把任务拆成有序子目标 → 形成待办清单 → 进入主循环逐项执行 每完成一项,勾掉一项;发现缺信息,可以回退更新计划 ``` 为什么说规划是"软承诺"?因为执行中会不断拿到新信息(搜索结果、工具返回),原计划可能不再成立。这时候 Agent 要能**改主意**——这正是 Agent 和传统"工作流引擎"的本质区别:**边执行边修订**。工作流引擎里步骤是写死的,Agent 里计划是可回退、可增删的。 ### Q:阶段三"执行主循环"的关键工程点有哪些? A:结论先行——这是 Agent 花时间最多的地方,核心是 ReAct 循环:思考 → 行动 → 观察,再回到思考;而能不能稳定跑起来,取决于四个工程件:输出解析器、工具调度器、工具选择与描述、反思与纠错。  *图:主循环一跳:思考、行动、执行、观察与三种终止条件* ```text ┌────────────────────────────────────────────────────┐ │ LLM 思考(Thought) │ │ "我缺竞品的定价信息,应该先搜索" │ │ ↓ │ │ 决定行动(Action):调用 search_web("竞品X 定价") │ │ ↓ │ │ 程序执行工具(App 侧,不经过 LLM) │ │ ↓ │ │ 观察结果(Observation):返回 10 条结果,回填上下文 │ │ ↓ │ │ ……继续下一跳,直到: │ │ - LLM 判断目标已达成 → 输出最终答案 │ │ - 达到 max_iterations / Token 预算 → 强制收尾 │ │ - 需要人工介入 → 暂停等待 │ └────────────────────────────────────────────────────┘ ``` 四个工程件的职责: ```text - 输出解析器:把 LLM 返回的"要不要调工具、调哪个、参数是什么"稳定解析出来, 解析失败要能重试(而不是直接崩) - 工具调度器:真实执行工具、管理超时/重试/并发,把结果规整成"观察"回填 - 工具选择与描述:工具即 API,LLM 靠描述选工具 → 描述质量直接决定选择正确率 - 反思与纠错:每轮或每几轮让 Agent 自查"方向对不对",走偏就拉回来(Reflexion) ``` 注意循环里那个容易忽略的细节:**执行工具在"App 侧,不经过 LLM"**。模型只输出调用意图,真正执行、超时控制、结果裁剪都在应用层完成——这既是安全边界,也是可靠性边界。 ### Q:一次任务会循环多少轮?终止条件怎么设计? A:结论先行——没有固定答案,简单任务 1~2 跳,复杂任务十几跳甚至更多;所以工程上**必须给终止条件兜底**。  *图:Agent 五类终止条件:软终止与硬兜底* ```text 终止条件(至少要有一个硬兜底): 1. LLM 自判目标已达成 → 输出最终答案(软终止) 2. 达到 max_iterations(轮次上限)→ 强制收尾(硬终止) 3. Token 预算耗尽 → 强制收尾(硬终止) 4. 超时 → 强制收尾(硬终止) 5. 需要人工介入 → 暂停等待(可恢复的终止) ``` 为什么硬兜底不可省?因为软终止依赖模型"自己判断做完了",而模型在循环里可能反复试探、迟迟不肯收尾。一句话记住:**没有终止条件的循环,就是一只吞钱的仓鼠。** ### Q:简单任务和复杂任务,生命周期会被"裁剪"成什么样? A:结论先行——简单任务会砍掉规划阶段、只跑 1~2 跳主循环;复杂任务会把每个阶段都放大,并引入规划、反思与人工介入。  *图:简单任务与复杂任务的生命周期差异* ```text 简单任务(查个天气): 接收(护栏)→ 跳过规划 → 主循环 1 跳(调用工具)→ 交付(轻校验) 往往没有反思、没有人工介入、收尾也极简 复杂任务(写竞品分析报告): 接收(护栏)→ 规划(拆子目标)→ 主循环 N 跳(含反思修正)→ 交付(多重校验) → 收尾(记忆沉淀 + 上下文治理 + 记账) 高风险动作还可能插入人工审批 ``` 为什么强调"裁剪"?因为把复杂任务的完整流程套到简单任务上,只会徒增延迟与成本;反过来,把简单任务的轻流程套到复杂任务上,则会在中途信息不足时失控。工程上更实用的做法是:**先用最小流程跑通,再按任务复杂度动态启用规划、反思与人工审批**,而不是一开始就上全套。 ## 三、贯穿全程:状态、记忆与人工介入 ### Q:主循环每跳之间,靠什么记住"上一轮发生了什么"? A:结论先行——靠按作用域分层状态。上下文是"工作记忆",Checkpoint 是"任务快照",长期记忆是"人生经验"。 ```text 1. 会话上下文(工作记忆) ← 最近 N 轮的消息,跟着请求走,最贵也最容易爆 2. 长期记忆 ← 用户偏好、历史结论、踩坑经验,跨任务复用(存向量库/DB) 3. Checkpoint(任务快照) ← 整个任务的状态持久化,进程重启/中断后可恢复 ``` 三者的生命周期不同:工作记忆随会话结束释放,Checkpoint 随任务结束归档,长期记忆长期保留。工程上最容易出错的是**把三者混在一起塞进 prompt**,导致上下文爆炸(对应后文故障地图里的"上下文爆窗")。 ### Q:和 Kafka 的 offset 对照看,Checkpoint 的意义是什么? A:结论先行——Checkpoint 就是 Agent 的"offset":它记录任务走到哪一步,恢复后可以从断点继续。 ```text Kafka:消费者的"读到哪里了"提交成 Offset,存在 __consumer_offsets Agent:任务"走到哪一步了"存成 Checkpoint,恢复后从断点继续 Kafka 里 offset 提交早了 → 丢消息;Agent 里 checkpoint 存得太粗 → 恢复后上下文错乱。 Kafka 里重复消费靠幂等;Agent 里恢复执行要小心"工具副作用"。 ``` 这个类比点出了两个关键取舍: - **粒度问题**:Checkpoint 存得太粗,恢复后上下文对不上;存得太细,写放大、开销高。 - **重放问题**:Kafka 重复消费靠幂等去重,而 Agent 恢复后可能**重放工具调用**——如果这个工具是"下单/发邮件/转账",重放就是事故。 ### Q:Checkpoint 的粒度怎么定?存得太粗或太细分别有什么问题? A:结论先行——粒度要"够恢复、不过量":太粗会恢复后上下文错乱,太细会带来写放大与开销。 ```text 存得太粗:只存最终结果、不存中间状态 → 恢复时无法还原"走到哪一步",可能重复执行工具、上下文对不上 存得太细:每一跳、每个 token 都持久化 → 写放大严重,存储与序列化开销高,收益有限 合理区间:以"一跳(一次完整的 Thought → Action → Observation)"为最小单位, 在关键节点(调用带副作用工具前、人工介入前)额外落一次快照 ``` 为什么关键节点要"额外落快照"?因为它们是不可逆或有副作用的分界点:在这些点之前存档,才能在出错时安全回退。这也呼应了"工具副作用不能重放"——纯读取的工具重放无害,带副作用的工具就必须靠"快照 + 幂等键"来保证不重复执行。 ### Q:人工介入是怎么实现的?为什么说 Agent 生命周期天然是异步的? A:结论先行——在关键节点埋"中断点",用 Checkpoint 挂起任务,人工审核后再从断点恢复。 ```text 1. Agent 决定调用危险工具(删除数据/发邮件/付款) 2. 执行到该节点前被 interrupt_before 挂起 3. 人工审核:同意 → 从断点继续;不同意 → 修改参数或改走另一条路 4. 之后随时可用同一个 Thread/会话 恢复 → 相当于给任务做了"断电续传" ``` 为什么说它"天然是异步、可暂停的"?因为一旦支持人工审批,任务就不可能"一次调用返回结果"——它会在中间挂起,等外部事件(人的决策)到来再继续。这就要求整个链路的 Task/状态/Checkpoint 都能跨请求存活,这也是 Agent 服务往往更像"任务系统"而非"接口"的原因。 ### Q:为什么要把生命周期显式建模成状态机,而不是写在 if/else 里? A:结论先行——因为只有显式建模,状态才能被**持久化、查询、暂停与恢复**,而 if/else 里的隐式流程做不到这些。 ```text 显式状态机(状态 + 节点 + 边)能做的事: 1. 查询:任务现在到哪一步了(对外可观测) 2. 暂停:在关键节点挂起,等人工介入 3. 恢复:进程重启后从 Checkpoint 续跑 4. 回放:出问题时复现是哪条边走错的 5. 治理:给节点/边加超时、重试、预算等策略 写在 if/else 里的隐式流程: 流程藏在代码控制流里,外部看不到"当前状态" → 无法查询、无法暂停、无法恢复、无法回放 ``` 一个直观的类比:状态机之于 Agent,约等于"工作流引擎 + 消息队列"之于传统后端——它把"任务当前在哪、下一步能去哪"变成**可被外部系统读取和干预的数据**,而不是只存在于某次函数调用的栈帧里。这正是 LangGraph 这类框架选择"状态 + 节点 + 边"建模方式的原因。 ## 四、交付、收尾与多 Agent 流转 ### Q:LLM 说"我完成了"就算完成吗?交付要怎么验证? A:结论先行——不算。LLM 的自我判断只是"候选完成",必须过验证才能算交付。 ```text LLM 输出最终结果 ↓ 1. 程序化校验:JSON Schema / 必填字段 / 引用来源可点开? 2. 业务校验:结果真的满足原始诉求吗(比如报告里数据是否齐全)? 3. 评测打分(可选):跑评测集/规则,分数低于阈值 → 自动重试一次 或降级为"给出部分结论+说明" 4. 高风险场景:人工抽检 ``` 为什么把验证单列一个阶段?因为**"LLM 说完成"和"任务真的完成"是两个不同的命题**。前者是模型的自我认知,后者需要外部客观标准来判断。程序化校验解决格式与结构问题,业务校验解决"答非所问"问题,评测打分解决质量兜底问题。 ### Q:任务交付后还有哪些"善后"工作? A:结论先行——三件事:经验沉淀、上下文治理、记账与留痕。 ```text 1. 经验沉淀:这次任务里学到的东西 → 按策略写回长期记忆(不是每句话都值得存) 2. 上下文治理:若会话还会继续,超窗历史压缩成摘要,防止下个任务"背着大象跑" 3. 记账与留痕:Trace(每跳推理/工具调用/耗时)+ Token 成本账单 ``` 注意第 1 条的限定词——"**不是每句话都值得存**"。长期记忆如果无差别堆积,很快就会污染检索结果;必须按策略筛选(什么算经验、什么只是过程噪音)。第 2 条的"背着大象跑"是很形象的比喻:如果不做上下文压缩,下一个任务要背负全部历史,又贵又容易爆窗。 ### Q:一次用户请求被拆给多个 Agent 时,生命周期怎么看? A:结论先行——对每个子 Agent 而言,它接到的都是一次**完整的新生命周期**;系统层面则是"生命周期套娃"。 ```text 用户请求 → 主管 Agent(Planner)拆任务 → 研究员 Agent、写手 Agent、审查 Agent 各领一段 → 每段对子 Agent 来说,就是一次完整的"新任务生命周期" → 结果通过消息 / A2A 协议回传给主管,汇总交付 ``` 这个视角很关键:多 Agent 系统并不需要发明一套"新生命周期",而是**把单 Agent 生命周期当作可组合的单元**。主管 Agent 的生命周期里,"调用子 Agent"这一步就等价于一次委托(详见 A2A 协议的 Task 语义),子 Agent 跑完再把 Artifact 交回来。 这里有个容易被忽略的工程点:主管 Agent 需要把子 Agent 的**返回结果并入自己的状态**,同时决定"是否还需要再委托一轮"。这意味着子任务的终止、子 Agent 的失败,都要被主管 Agent 感知并处理——否则会出现"子任务悄悄失败、主管以为已完成"的静默故障。 ## 五、工程实践与踩坑 ### Q:能用一个具体例子把各阶段串起来吗? A:结论先行——以"写一份竞品分析报告"为例,从 10:00:00 到 10:00:18,可以逐秒看到各阶段落地。  *图:一次 Agent 任务的时间线实录* ```text 10:00:00 用户:"帮我分析 A、B 两个产品的定价和口碑,出一份对比报告" 10:00:01 护栏扫描通过(无注入/越权),组装 System + 任务上下文 10:00:02 规划器拆解:[①搜索资料 ②抓官网/评价 ③整理对比表 ④写报告] 10:00:04 主循环#1:搜索 "A 定价 口碑" → 返回 20 条 → 观察回填 10:00:07 主循环#2:访问 A 官网定价页 → 返回长文 → 上下文占用明显上升 10:00:10 反思:资料里缺 B 的用户差评 → 修正计划,追加一轮搜索 10:00:13 主循环#3:补搜 B 差评 → 观察回填 10:00:16 LLM 判断信息足够,直接输出结构化报告(JSON) 10:00:17 程序校验:字段齐全、来源链接有效 → 通过,交付用户 10:00:18 收尾:把"该用户偏好表格型对比"写入长期记忆;Trace + Token 账单落库 (之后) 用户追问"再对比 C" → 同一会话恢复,只带摘要历史,轻装上阵 ``` 注意 10:00:10 那个"反思 → 修正计划":这就是"边执行边修订"的具体体现,也是 Agent 区别于固定工作流的地方。以及 10:00:18 只把"用户偏好"这一条写入长期记忆,而不是把三轮搜索原文都存进去——这正是"不是每句话都值得存"。 ### Q:每个阶段出故障会怎样?怎么兜底? A:结论先行——把"阶段 → 失败点 → 后果 → 兜底"列成一张表,就是 Agent 的可靠性地图。  *图:各阶段的失败点、后果与兜底策略对照* ```text 阶段 失败点 后果 兜底 ──────────────────────────────────────────────────────────────── 接收 输入注入/越权 执行危险操作 输入护栏 规划 计划不收敛/拆解太碎 空转烧 Token 轮次上限 + 转人工 主循环 工具超时/异常 任务卡住或信息缺失 工具层超时重试、换工具、如实告知 LLM 主循环 LLM 输出格式错/幻觉 解析失败/结果不可信 解析重试 + 约束输出 + 程序化校验 状态 进程中断 任务丢失 / 恢复后错乱 Checkpoint 断点续传 交付 评测不达标 交付错误结果 自动重试 / 降级输出 / 人工确认 收尾 上下文爆窗 后续任务质量下降/报错 摘要压缩、裁剪 预算 无限循环 成本失控 轮次/Token 预算硬限制 ``` ### Q:整个生命周期里,最需要警惕的两点是什么? A:结论先行——一是**工具副作用不能重放**,二是**失败通常发生在"执行"而非"推理"**。 ```text 1. 工具副作用不能重放 Kafka 消息重试是安全的(读日志),但 Agent 的工具调用有副作用—— 重试一次"下单/发邮件/转账"就是事故。 所以带副作用的工具要幂等(事务 ID)或走人工审批。 2. 失败通常发生在"执行"而非"推理" 环境不稳定(工具超时、返回格式变)远比模型不会想更常见。 状态对不上(记忆过时)也是高频故障源。 ``` 第 1 点决定了"断点续传"必须区分**纯读取**与**带副作用**的工具;第 2 点决定了排查顺序——先看工具与环境,再看模型推理。很多人一遇到 Agent 出错就先怀疑"模型不行",实际上大部分事故出在工具超时、返回格式变化、状态过期这些"工程问题"上。 ### Q:和 Kafka 消息生命周期逐项对比,能总结成一张表吗? A:结论先行——可以。 | 维度 | Kafka 一条消息 | Agent 一次任务 | |------|---------------|----------------| | 模型 | 确定性的线性日志 | 带循环/分支的状态机 | | 路径 | 写一次,路径唯一 | 同输入每次路径不同 | | 成败判定 | acks + ISR/HW + offset 提交 | LLM 自判 + 程序校验 + 人工兜底 | | 消费 | 只读,不改原日志 | 每跳都会"改写"上下文状态 | | 重试 | 重发安全(靠幂等去重) | 带副作用工具重试可能出事 | | 持久化 | 消息在磁盘日志 | 状态在 checkpoint / 记忆库 | | 生命周期终点 | retention 到期删除 | 收尾沉淀 + 会话清理 | | 代价 | 磁盘/带宽 | Token/时间(每次循环都在花钱) | 一句话:学 Kafka 时你在盯"**消息**",学 Agent 时你在盯"**状态**"。前者关心数据流到哪了,后者关心任务走到哪了、下一步怎么走。 ### Q:落地时还有哪些常见踩坑? A:结论先行——最容易踩的是"没有硬终止条件""Checkpoint 粒度不当""副作用工具被重放""上下文不做治理"这几类。 ```text 踩坑清单: 1. 只依赖 LLM 自判完成 没有轮次/预算/超时兜底 → 无限循环烧钱。 2. Checkpoint 与业务状态不一致 存了 LLM 上下文却没存工具执行结果 → 恢复后重复执行或状态错乱。 3. 副作用工具随手重试 重试"下单/付款"= 事故;需幂等键或人工审批。 4. 上下文从不治理 历史越积越多,下一个任务"背着大象跑",又贵又易爆窗。 5. 交付不校验 把 LLM 的"我完成了"当验收 → 交付错误结果。 6. 长期记忆无差别堆积 把过程噪音也写入长期记忆,污染后续检索。 ``` 最后补充一句关于"降级"的工程经验:所谓降级,不是"随便给个结果",而是**明确告知缺了什么**——例如"已给出 A、B 的对比,但 C 的差评数据源不可用,结论暂缺"。这样下游(人或 Agent)才能判断这份产物能用几分、是否需要另想办法。相比之下,"看起来完整但实际残缺"的输出最危险,因为它会让错误悄悄流传到下一步。 ## 小结 - 一次 Agent 任务的一生:**接收 → 规划 → 执行主循环(N 跳)→ 中断与人工介入 → 交付验证 → 收尾沉淀**,贯穿全程的是状态与记忆。 - 生命周期不是直线:有分支(走偏修正)、有暂停(人工介入)、有重试(失败兜底)。 - **状态**是生命周期的载体:上下文是"工作记忆",Checkpoint 是"任务快照",长期记忆是"人生经验"。 - 终止条件必须有硬兜底(轮次/Token/超时),否则循环没有终点。 - 验证才算交付:LLM 说完成 ≠ 完成,要过程序化校验与评测。 - 多 Agent 系统 = 生命周期套娃:每次任务接力,都是一次新生命周期的开始。 - 两个最需警惕的坑:工具副作用不能重放;故障多发生在执行而非推理。 如果只记一句话:**盯住状态,守住终止条件,验证才算交付。** ## 思考题 1. 类比 Kafka 的 offset:Agent 的 Checkpoint 存得过早或过晚分别会导致什么问题?工具副作用如何影响"断点续传"? 2. 一个 Agent 任务的"重复消费"长什么样?怎么让它"幂等"? 3. 如果上下文窗口就是任务的一生(一次性任务),和"跨多轮会话持续演进"的任务相比,生命周期管理上差在哪?
预览
发布文章
添加摘要让读者更快了解文章内容
取消
确认发布
AI 写作助手
输入一个主题,AI 将为你生成一篇 Markdown 博客文章
AI 正在写作中...
取消
开始生成
AI 优化助手
描述你的修改需求,AI 将在原文基础上进行补充或微调
AI 正在优化中...
取消
开始优化
画布
从已有图里选
✕
图名
保存后生成 /images/excalidraw/<图名>.svg(只能用字母、数字、短横线、下划线、点)
取消
保存并插入