核心用法
Autonomous Tasks 是一套自驱式AI工作流框架，模拟「目标-任务-执行-归档」的完整闭环。每次唤醒后，Agent 自动执行一轮任务即停止，等待下次调度唤醒。
数据架构：所有用户数据存放于 agents/ 目录（与 SKILL.md 同级），仅 SKILL.md 和 _meta.json 在更新时被覆盖，用户数据持久保留。
标准工作流：
1. 读取目标：从 agents/AUTONOMOUS.md 提取长期目标与当前待办；首次使用需用户输入目标并初始化文件结构
2. 生成任务：将待办拆解为可执行的具体任务，写入 memory/tasks.md
3. 顺序执行：逐个标记进行中 [~]、已完成 [x] 或失败 [!]，失败任务不自动重试
4. 归档日志：任务全部完成后转存至 tasks-log.md，清理源文件，控制日志长度（保留最近30条）
5. 停止等待：每轮仅执行一次，依赖外部调度（如 openclaw cron 每小时唤醒）
显著优点：
- 状态持久化：任务中断后可无缝续跑，不怕会话丢失
- 渐进式分解：大目标→里程碑→具体任务，降低认知负荷
- 防失控设计：单轮执行上限、失败不阻塞、新想法入 backlog 防发散
- 输出隔离：成果默认写入当前工作目录，与技能代码分离
潜在局限：
- 依赖外部 cron/job 调度，无内置定时触发能力
- 失败任务需人工介入，无自动重试或降级策略
- 多目标并行时缺乏优先级动态调整机制
- 无内置冲突检测，同一目录输出可能覆盖
适合人群：
- 需要「设定后自动推进」的创作者、研究者、独立开发者
- 运行周期长、可分拆执行的研究/写作/数据分析项目
- 希望减少频繁人机交互、偏好批处理模式的效率用户
常规风险：
- 文件路径依赖 SKILL.md 位置，移动目录会导致数据失联
- 首次配置若未正确初始化
agents/结构，后续运行会异常 - 输出目录未隔离时，不同目标的产物可能混杂
- 日志自动清理策略（>50条保留30条）可能导致历史追溯断档
来源可信度：框架设计完整，有明确的状态机与边界约束，属生产级工程实践。