核心用法
auto-complex-task-planner 是一款智能任务编排技能，通过自动分析用户输入的任务复杂度，将大型任务拆解为可并行的子任务，由多个子Agent协同执行。系统内置四大任务类型识别（调研/开发/批量/文档）与三级优先级判断（高/普通/低），支持通过关键词自动触发子Agent创建。
工作流程分为四阶段：智能分析（复杂度评估、类型识别、优先级判定、时间估算）→ 任务分解（基于模板生成子任务描述）→ 并行执行（独立任务并发运行，默认最大5个并发）→ 质量审核（交付物存在性检查、内容质量评估、幻觉检测、多维度打分）。
显著优点
- 效率提升显著：官方数据显示并行执行可将45-60分钟的串行任务压缩至10-15分钟，效率提升75-83%
- 自动化程度高：从任务识别到质量审核全流程自动化，无需人工干预子Agent调度
- 模板化支持：内置调研、开发、文档、批量处理四类模板，降低任务描述编写成本
- 可追溯性强：JSON格式任务记录、进度追踪、每日统计报表，便于项目管理
潜在缺点与局限性
- 依赖环境配置：需正确设置SUBAGENT_TIMEOUT、MAX_CONCURRENT等环境变量，配置不当可能导致任务失败或资源浪费
- 质量阈值刚性：QUALITY_THRESHOLD默认为0.7，对于创意类或开放性任务可能过于严格
- 幻觉检测局限：基于规则的幻觉检测难以覆盖大模型生成的全部事实性错误类型
- 模板覆盖不足：四类内置模板难以覆盖所有垂直场景，复杂定制化任务仍需人工拆解
适合人群
- 需要频繁处理复杂调研、批量数据处理、多模块开发任务的知识工作者
- 追求任务执行效率、愿意接受一定自动化风险的效率型用户
- 具备基础技术背景、能够调试环境配置与任务模板的技术人员
常规风险
- 子Agent失控风险：高并发场景下可能出现子Agent响应延迟或失败，需设置合理重试机制（MAX_RETRIES）
- 任务拆分粒度问题：自动拆分可能产生过度细分的任务（增加调度开销）或粒度过粗的任务（失去并行优势）
- 质量审核误杀：严格的0.7阈值可能导致合格交付物被标记为未通过，需人工复核
- 数据隐私隐患：任务内容分发至多个子Agent处理，敏感信息暴露面扩大
技术实现
基于scheduler.py调度脚本实现任务生命周期管理，采用优先级队列（Priority Queue）确保高优先级任务（含"紧急""优先"关键词）获得资源倾斜。任务模板系统支持快速复用，JSON格式日志便于与外部BI工具集成。