多Agent自动化协作系统产品系统

立项原因：现有AI工具各自独立，无法协同完成复杂任务。用户需要手动在多个AI之间搬运信息，效率极低，且每次使用都要重新解释上下文。

业务背景：随着大模型能力的提升，如何让多个AI模型协同工作成为提升个人生产力的关键方向。本项目通过文件系统作为消息总线，将决策型AI与执行型AI组合成一套完整的自动化工作流，实现了用户只需写一句目标，AI自动完成后续全部工作的能力。

1. 决策层模块：基于DeepSeek API，接收用户自然语言任务目标，自动拆解为可执行的子任务并生成执行指令。
2. 触发层模块：Python脚本监听指令文件变化，检测到更新后自动调用对应的执行层进程。
3. 执行层模块：支持Claude Code和Codex两种执行引擎，根据指令内容自动选择最优执行层。
4. 闭环反馈模块：决策层自动读取执行层工作成果，判断任务是否完成，未完成则自动生成下一步指令，循环推进直至任务结束。
5. 永久记忆模块：为每个Agent配置只读角色定义文件，确保AI行为一致性和权限隔离。

我独立完成了系统架构设计、文件夹结构设计、决策层脚本（decision_agent.py）和触发层脚本（trigger.py）的开发，以及全部永久记忆文件的编写和调试。

技术栈：Python 3、DeepSeek API、Claude Code CLI、Codex CLI、文件系统

架构：系统采用三层分离架构。用户写入任务目标 → 决策层（DeepSeek API拆解并生成指令）→ 触发层（Python脚本监听文件变化并自动调度）→ 执行层（Claude Code或Codex执行任务并写入成果）→ 决策层读取成果评估 → 循环推进直至任务完成。系统采用物理路径隔离确保各Agent只访问自己的文件夹，避免权限混乱。

亮点难点：核心难点在于决策层如何判断任务是否完成。通过让DeepSeek API读取执行层工作成果，结合任务目标进行语义判断，而非简单的关键词匹配，从而实现真正的自主闭环。此外，系统采用中文Markdown作为Agent间通信协议，避免引入JSON Schema等复杂格式，降低了信息传递损耗，提高了调试便捷性。另一个难点是两个执行层（Claude Code和Codex）的命令行参数完全不同，通过独立配置每个Agent的命令和参数模板，实现了统一的调度接口。