核心用法
Autonomous Tasks 将 AI 转化为「自驱型工作者」。用户只需在 agents/AUTONOMOUS.md 中定义长期目标与里程碑，系统即可按以下循环自主运转：
1. 目标读取：从 AUTONOMOUS.md 提取当前待办，若为空则拆解下一个里程碑；
2. 任务生成：将目标拆分为可执行的具体任务，写入 memory/tasks.md；
3. 顺序执行：逐条执行任务，标记进度 [~]、完成 [x] 或失败 [!]；
4. 归档清理：结果写入 memory/tasks-log.md，清理已完成项，超过 50 行时自动保留最近 30 行；
5. 主动停止：单轮执行完毕即停止，等待下次唤醒（建议配合 openclaw cron 每小时触发）。
首次使用需初始化 agents/ 目录，系统会引导用户设定目标并推荐定时任务配置。
显著优点
- 降低心智负担：用户只需维护高层目标，无需每日拆解任务；
- 持久化状态：所有数据保存在
agents/目录，跨对话续跑； - 防发散机制：严格禁止单轮内无限循环，发现新需求先记入 backlog；
- 失败隔离：失败任务仅标记不阻塞，避免级联崩溃。
潜在局限
- 无重试逻辑：任务失败后需人工介入，不会自动重跑；
- 输出目录限制：所有产出必须放在当前工作目录，无法自动归类到项目子文件夹；
- 依赖外部调度：本身不内置定时器，需配合系统 cron 或手动唤醒；
- 目标质量敏感：若里程碑描述模糊，生成的子任务可能偏离预期。
适合人群
- 需要 AI 长期托管重复性工作的开发者、研究员、内容创作者；
- 希望「设定目标后隔日验收结果」的低干预用户；
- 拥有清晰里程碑规划、但缺乏时间逐条执行的项目管理者。
常规风险
- 文件覆盖风险：输出目录为当前工作目录，若多目标并行需注意文件命名冲突；
- 目标漂移风险：长期运行后需定期回顾
AUTONOMOUS.md，防止 AI 持续执行已过时目标； - 日志膨胀风险：
tasks-log.md虽自动截断，但高频任务仍可能产生大量历史文件； - 权限边界模糊：AI 拥有当前目录写权限，建议配合容器或沙箱使用。