IT资源栈近日，科技社区Linux.do披露了基于Codex App与Trellis框架的Goal Mode长任务工作流细节。该工作流旨在解决AI Agent在处理复杂、长时间开发任务时的规划拆分与状态管理问题。根据披露的技术文档，当系统处于目标模式或用户输入包含“/goal”指令时，系统将自动触发标准化流程：在当前项目目录下创建一个名为“goal-[num]”的独立工作目录，编号自动递增以防止覆盖。该目录结构包含三个核心文件：input.md用于逐字保存用户的原始指令；plan.md负责生成宏观执行计划；tasks.md则将计划拆解为具体的验证任务。这一设计借鉴了Trellis原本的任务拆分与验证逻辑，利用自然语言即可直接触发复杂的开发流程。此外，V2版本针对上下文窗口资源消耗问题进行了深度优化，开发者既可以将该模式集成到agents.md中进行统一管理，也可以通过自定义Skill的方式按需调用，从而在保证Agent功能性的同时有效控制Token成本。该方案提供了一种将非结构化的自然语言指令转化为结构化项目文档的可行路径。
事件分析
此次披露的Goal Mode工作流，实质上探索了解决大模型“上下文窗口”与“长短期记忆”矛盾的技术方案。在当前的AI开发范式下，Agent在执行长周期任务时容易因上下文溢出而遗忘初始目标或中间状态。通过引入文件系统作为外部记忆体，将input、plan和tasks进行结构化持久化存储，不仅能让Agent“挂起”和“恢复”任务，还能让人类开发者更直观地干预和审查AI的思考路径。这种“文件即状态”的设计理念，类似于将软件工程中的版本控制思想引入到了AI的推理过程中。V2版本中关于自定义Skill和agents.md的优化，则显示出AI工具链正在向模块化和低耦合方向发展，开发者可以像搭积木一样组合不同的Agent能力，而不是依赖单一巨大的Prompt。这预示着未来的AI编程辅助将不再是简单的“对话”，而是具有完整工程属性的“协作开发”。
💡 核心观点：AI Agent开发正从纯Prompt交互转向基于文件系统的持久化工作流，通过结构化数据突破上下文窗口限制。
原文链接：Linux.do
评论前必须登录！
立即登录 注册