AI Agent 任务规划系统

基于 .NET 9 + Semantic Kernel 开发的智能任务规划系统，能够根据自然语言输入自动生成结构化的任务计划（ToDoList）。

🌟 核心功能

1. 输入分析

• ✅ 解析用户输入，明确目标结果和约束条件
• ✅ 提取关键词和重要信息
• ✅ 识别领域和优先级

2. 工具推理

• ✅ 判断实现目标所需的全部工具
• ✅ 分析工具之间的输入/输出依赖关系
• ✅ 检测缺失工具并提供解决方案

3. 智能分类

• ✅ 根据分析结果输出标签和分类
• ✅ 评估任务复杂度和执行时间
• ✅ 生成置信度评分

4. RAG 知识库

• ✅ 将分类结果向量化存储
• ✅ 支持用户对分类准确性的"对/错"评价
• ✅ 根据反馈动态更新知识库

5. 结构化输出

• ✅ 生成包含任务编号、描述、工具、顺序的 ToDoList
• ✅ 支持 JSON 和 Markdown 格式导出
• ✅ 提供完成条件和时间估算

🏗️ 系统架构

核心组件评估结果

组件	状态	描述
✅ 文本关键词提取工具	已实现	TextKeywordExtractorPlugin - 提取关键词、目标、约束条件
✅ 文本分类器	已实现	TextClassifierPlugin - 任务分类和标签生成
✅ 工具依赖推理器	已实现	ToolDependencyAnalyzerPlugin - 分析工具需求和依赖关系
✅ 缺失工具检查器	已实现	MissingToolCheckerPlugin - 检测并提供缺失工具解决方案
✅ RAG 存储器	已实现	RagStorageUpdaterPlugin - 知识库管理和向量搜索
✅ 任务编排器	已补充	TaskOrchestratorPlugin - 生成结构化任务计划
✅ 输出格式化器	已补充	OutputFormatterPlugin - 多格式输出支持

项目结构

AIAgentTaskPlanner/
├── Models/                          # 数据模型
│   └── TaskPlanningModels.cs       # 核心数据结构
├── Plugins/                         # Semantic Kernel 插件
│   ├── TaskPlanningPlugins.cs      # 核心分析插件
│   └── RagAndFormatterPlugins.cs   # RAG和格式化插件
├── Services/                        # 业务服务
│   └── TaskPlanningService.cs      # 主要业务逻辑
├── Program.cs                       # 主程序入口
└── appsettings.json                # 配置文件

🚀 快速开始

前置要求

• .NET 9.0 SDK
• OpenAI API Key 或 Azure OpenAI 服务

安装步骤

1. 克隆或下载项目

   git clone <repository-url>
   cd AIAgentTaskPlanner

2. 配置 API 密钥

   编辑 appsettings.json 文件，添加你的 OpenAI 或 Azure OpenAI 配置：

   {
     "OpenAI": {
       "ApiKey": "your-openai-api-key-here",
       "Model": "gpt-4"
     }
   }

   或者配置 Azure OpenAI：

   {
     "AzureOpenAI": {
       "Endpoint": "https://your-resource.openai.azure.com/",
       "ApiKey": "your-azure-openai-api-key",
       "DeploymentName": "gpt-4"
     }
   }

3. 更新 Program.cs 中的 Kernel 配置

   取消注释并配置相应的服务：

   // 使用 OpenAI
   kernelBuilder.AddOpenAIChatCompletion("gpt-4", "your-api-key");
   
   // 或使用 Azure OpenAI
   kernelBuilder.AddAzureOpenAIChatCompletion(
       "your-deployment", 
       "your-endpoint", 
       "your-api-key");

4. 运行项目

   dotnet restore
   dotnet run

💻 使用示例

1. 创建任务计划

输入示例：

我需要开发一个电商网站，包含用户注册、商品展示、购物车和支付功能

系统输出：

• Section 1: 任务推理分析（目标识别、约束分析、关键要素）
• Section 2: 工具调用表（所需工具、依赖关系、执行顺序）
• Section 3: ToDoList（结构化任务列表，包含时间估算）
• Section 4: RAG知识库操作说明

2. 工具依赖分析示例

系统会自动识别并安排工具执行顺序：

文本分析API → 分类模型 → 任务编排器 → 输出格式化器

3. 生成的任务计划格式

序号	任务描述	所需工具	完成条件	预计时间
1	需求分析和架构设计	文本分析API	完成详细需求文档	120min
2	数据库设计	分类模型	完成ER图和表结构	90min
3	后端API开发	任务编排器	完成RESTful API	300min

🔧 配置选项

appsettings.json 配置说明

{
  "TaskPlanning": {
    "DefaultComplexity": "Medium",      // 默认复杂度
    "MaxTasksPerPlan": 20,             // 单个计划最大任务数
    "VectorDimensions": 384,           // 向量维度
    "KnowledgeRetentionDays": 365      // 知识保留天数
  }
}

📊 系统输出格式

JSON 输出示例

{
  "section1_analysis": "任务推理分析文本...",
  "section2_tools": {
    "requiredTools": [...],
    "executionOrder": [...],
    "dependencyGraph": {...}
  },
  "section3_todolist": {
    "planId": "guid",
    "tasks": [...],
    "classification": {...}
  },
  "section4_rag_operations": "RAG操作说明..."
}

Markdown 输出示例

自动生成完整的 Markdown 报告，包含：

• 任务分析概述
• 工具依赖表格
• 结构化任务列表
• 知识库操作指南

🧠 RAG 知识库功能

知识存储

• 自动将任务分析结果向量化存储
• 保存分类信息、元数据和用户反馈

智能搜索

var results = await service.SearchKnowledgeAsync("电商网站开发");

用户反馈学习

var feedback = new UserFeedback 
{
    EntryId = "knowledge-entry-id",
    IsAccurate = false,
    CorrectedClassification = new TaskClassification { ... }
};
await service.ProcessUserFeedbackAsync(feedback);

🎯 使用场景

1. 项目管理: 自动分解复杂项目为可执行任务
2. 学习规划: 根据学习目标生成学习计划
3. 业务流程: 标准化业务流程任务分解
4. 研发管理: 技术项目的任务规划和工具选择

🔮 扩展建议

集成更多工具

• 项目管理工具 (Jira, Trello)
• 代码生成工具
• 数据分析工具
• 文档生成工具

增强 AI 能力

• 集成更先进的嵌入模型
• 添加多模态支持（图像、文档）
• 实现实时学习和适应

用户界面

• Web UI 界面
• RESTful API 服务
• 移动端应用

📝 开发说明

添加新插件

1. 在 Plugins/ 目录创建新的插件类
2. 使用 [KernelFunction] 和 [Description] 属性
3. 在 TaskPlanningService 中注册并调用

扩展数据模型

1. 在 Models/TaskPlanningModels.cs 中添加新的数据结构
2. 更新相关插件的输入输出类型
3. 确保 JSON 序列化兼容性

🤝 贡献指南

欢迎提交 Issue 和 Pull Request 来改进项目！

📄 许可证

MIT License

🙋‍♂️ 支持

如有问题或建议，请创建 Issue 或联系项目维护者。