Collie 产品工作流打磨 — 2026-09-06¶
目标与验收方法¶
本轮从用户能否完成实际任务出发，检查 agent、连续对话、工具、后台任务及桌面交互。
基线版本为 0c2f4f58。工作时间上限为 2026-09-06 23:04 UTC（开始后 10 小时）。
使用已登录的 Claude Code Max 订阅进行真实测试和实现，不将测试通过等同于真实可用。
每个已解决问题记录触发场景、根因、修改后的行为和可重复验证。 实际模型结果、确定性测试、源码推断分别记录。
| 工作流 | 用户应该得到的体验 | 验证方式 | 当前状态 |
|---|---|---|---|
| 第一次提问 | 已有登录可直接开始，错误给出下一步 | 隔离配置下的真实模型和 UI | 原生 UI 完成；真实反馈后修复标题和多余检查提示 |
| 代码修改与验证 | 完成授权任务，运行必要工具并检查成果 | 真实 Claude/Collie 对照 | 两轮编码完成；独立测试通过 |
| 连续追问 | 保持项目、约束和已完成工作 | 同一会话多轮任务 | CLI 含子任务后恢复通过；三种终端入口目录回归通过 |
| 长任务 | 不因隐藏轮数而被迫停工 | 超过 40/50 轮的场景及真实任务 | 65 次工具调用回归；真实 Mission 44 轮、Pack 候选 50 轮自然完成 |
| 上下文压缩 | 保留目标、约束、操作结果与下一步 | 小窗口强制压缩 | 已完成真实中文压缩和新进程恢复；保留原始 80 条记录 |
| 取消与接续 | 停止及时，不遗失进度或重复副作用 | 模型、工具中取消与恢复 | 真实嵌套命令、宿主检查、Live 模型取消通过；未知效果保持隔离 |
| 故障恢复 | 暂时错误可重试，永久错误可理解 | 超时、断流、限流、工具失败 | 持久接收、请求重试、附件重启恢复及重复执行回归已整合 |
| 后台任务与 agent 协作 | 结果可追踪，主任务能整合 | delegate/Mission/TaskTree | 委派隔离；代码 Mission 重构；中途补充需求真实验收通过 |
| 桌面交互 | 进度、输入、权限、结果入口可操作 | Playwright 和本地 HTTP | 排队、刷新、手机宽度、Mission 专页、Pack 查看应用已实测 |
| 原有功能 | Live、导出、扩展及 CLI 不退化 | 完整回归和原生编译 | 最终结果见文末；Windows 两个原生程序编译成功 |
第一批执行连续性修复¶
- 普通 Harness 默认轮数上限从 50 改为 0，与交互选项一致。显式用户上限仍生效。 脚本模型完成 65 次工具调用后正常回答，共 66 轮，没有第 40/50 轮中止。
- 对实际内置只读工具记录可安全恢复的执行边界。恢复时补齐缺失的工具结果，说明 哪项读取中断、哪些排队工具没有执行；不自动重放工具，不改写原始磁盘会话。 外部操作、脚本和未经主程序确认的只读声明仍保留副作用核对边界。
- delegate 改为主任务创建的只读调查：沿用当前模型和连接，继承取消和共享预算， 不再修改全局环境或重新选择账户。子任务不能写文件、执行命令或继续分派； 需要这些操作时由主任务完成。子任务同时看到原始用户要求与主 agent 提议的分工。
- 子任务记录 parent_run_id，费用计入父任务，汇总只计入父任务以免重复统计。
- 运行记录区分正常完成、取消、轮数上限、预算上限、输出截断和错误。
success表示执行正常结束；verified单独表示实际验证证据，评测器仍可覆盖 success 为任务评分。 - Auto 验证不再因 auth/fix/test 等主题关键词变成 Required。升级复杂度只读取运行回执； “错误已修复”的普通文字和“没有运行检查”不会伪造失败。
- 自动 Git 撤销快照使用内部提交身份，不要求先配置 Git 用户姓名和邮箱，不修改 Git 配置。 无身份的新环境下，脏文件、未跟踪文件、HEAD 和暂存区的完整性测试通过。
阶段检查：恢复/轮数 58 项通过；执行循环、权限、持久化及子任务的扩大检查 223 项通过； 统计、控制中心、完成协议与记忆 45 项通过；整合后的路由相关检查 83 通过、1 跳过。 后续原始要求传递和恢复检查 23 项通过。 首批提交前，子任务、检查点、运行选项、Web/CLI worker 和路由整合检查 98 项通过。 路由补丁在隔离工作区完整 pytest 为 2356 通过、10 跳过；最终整合仍需完整回归。
真实 Claude 任务对照¶
相同初始 CSV 账本需求，分别由 Claude Code 直接执行，以及 Collie 原生循环调用 Claude Agent SDK。
再在原会话追加日期筛选、总计和兼容性需求。两条路径使用独立仓库，未共享修改。
Claude Code 2.1.221，实际模型 claude-opus-5，订阅登录，无 API key 路由。
| 路径 | 初轮耗时 | 接续耗时 | 接续后主机独立运行 unittest |
|---|---|---|---|
| Claude Code 直接执行 | 118.86 秒 | 190.28 秒 | 61 通过 |
| Collie + Claude Agent SDK | 123.20 秒 | 171.29 秒 | 43 通过 |
两个 --json --total 命令均独立得到 Coffee 2.30、Travel 12.50、总计 14.80。
这是小样本可用性检查，不能据此宣称性能优势或所有需求均正确。
继续检查严格日期格式，并进行“子任务调查→主任务修复”场景。
第三轮首次试验的中文提示因测试脚本经过 PowerShell 标准输入编码而变成问号。 发现后终止了该测试的进程树，保留原始记录；该试验不计入任务正确性或耗时对照。 改用直接 UTF-8 写入，并从第三轮之前分支重跑。不能把测试输入损坏误判为模型理解错误。 这次试验另外暴露出未配置 Git 用户身份时自动检查点失败，已修复并通过独立 Git 场景验证。
源码审查中纠正的推断¶
- 无工具调用的 assistant 回答作为结束条件，也是多个开源循环的常见机制。 仅凭这个分支不能证明 Collie 经常过早结束，不增加容易误伤正常回答的关键词循环。
- Web 的 Allow for this run 只承诺本次运行，结束后规则消失符合界面文字。 跨轮持久授权的入口和体验需要单独验证。
force_edit的工具收缩默认仅用于明确启用该选项的评测路径，不能描述成 每个普通用户都会遇到的第 40 轮停止原因。
真实任务反馈后的第二批改进¶
第三轮有效输入的任务完成了子任务调查、严格日期修复与测试，耗时 220.98 秒；主机独立运行 49 项 unittest 通过，非标准日期 CLI 输入返回错误。它同时暴露了两个必须修复的问题：
- 子代理继承父级
checkpoint_scope后，私有会话被写入父级会话文件。这是本轮委派重构 引入的缺陷，不能用任务输出正确来掩盖。现已取消这项继承，并用磁盘会话精确比对回归。 - Auto 即使已有通过的修改后检查，仍再提醒检查。内部提醒还容易替代原任务成为最后回答的 主题。现有新鲜证据时不再多跑一轮，内部提醒有明确来源，回答继续遵守用户的格式要求。
修复后从干净会话分支重跑只读委派和父级验证，92.3 秒完成。父级记录 72 条消息， 没有子代理的私有提示，没有缺失的工具结果；随后再恢复，9.82 秒完成读取 README 并返回 用户要求的一个中文段落。前一次混入子任务的会话保留作缺陷证据，不当作恢复成功样本。
另有两项实测限制保留：模型曾把检查命令接到 tail 管道后，宿主因此正确地没有认定该次
工具输出为验证成功；模型还曾在测试项目外创建临时 CSV，违背该场景要求。后者是任务
遵循缺陷，不能宣称当前 Project 模式的工作目录等同操作系统沙箱。
第二批提交 66e8f057 还统一了 edited 结果字段，并修复 Mission 将有效但未验证的
answer 判成“无结果”的错误。明确配置缺失时给出实际配置原因，已保存待继续的代码
步骤在活动列表显示进行中。相关检查 121 通过、1 跳过。
界面与终端连续性¶
真实浏览器首次任务发现标题仍显示 New task、只读问答下出现无意义的“没有执行检查”。 现已让标题跟随会话，验证卡依据实际编辑和检查证据显示，轮数、预算及输出上限保留部分 成果并显示停止原因。界面也显示子任务调查和上下文处理进度。整合后的 UI、运行注册表 和 Web worker 相关检查 85 项通过；其中 20 项使用真实页面、HTTP、SSE 和 Chromium。
进一步检查发现运行中会话的 mirror 监听错误地调用 forEach(...).catch，使完成事件
监听未注册；此外，迟到的历史响应可能覆盖新选中的会话。已修复并补充浏览器重连与切换
场景。内部提醒不再重新显示成用户请求。
CLI、REPL 和 TUI 恢复时现在先解析保存的项目目录，再创建工具和权限范围；TUI 的
/resume 同样切换执行环境。显式 --cwd 迁移会保存新位置和来源。项目目录不存在或
会话 ID 拼错时给出明确错误，不再悄悄启动空会话。第一组相关检查 50 通过、1 跳过；
与循环、检查点等合并检查 118 项通过。
长上下文与再次恢复¶
新增保留完整原始会话的上下文压缩：模型使用“摘要、用户要求、近期完整工具组”的 投影，磁盘会话保留全部消息。摘要作为低优先级历史交接，不能覆盖系统约束；当前用户 要求保留原文，最近的图片请求跨越切点时保留原始图片。压缩切点不能拆散工具调用和 结果。摘要调用计入实际调用次数及共享预算，支持取消；失败或损坏的检查点回退到原历史。
真实 Claude 长中文任务在受控的较低阈值下触发压缩，估算输入从 22,867 降到 10,823
tokens，40.18 秒完成，磁盘 80 条消息完整保留。最终回答遵守两条中文输出约束，并保留
位于长请求中间的验收编号 LEDGER-LONG-061。随后启动新进程恢复，4.2 秒、一次模型
调用正确返回该编号，没有重新生成摘要。相关整合检查 210 通过、1 跳过。
这不代表摘要可无损代替所有历史：较早图片的视觉细节仍依赖历史描述，旧用户要求同时 依赖摘要和有界原文摘录。超长摘要、无法保全当前要求的切分或没有明显收益的重复压缩 不会被采用。当前默认阈值为估算 48,000 tokens，可在设置中调整。
停止和结束状态¶
普通消息现在直接进入统一运行流程，不再先额外调用模型分类。真实浏览器复杂审查请求 的停止按钮在约 25 毫秒内可见，取消在约 1.9 秒确认，无页面脚本错误；这是单次本机 实测，不是延迟保证。停止和错误保留已生成的文字及工具进度，不再删除整条回答。 排队后续消息只在正常完成后自动启动，取消、错误或上限不会自动触发下一项。
修复了结束保存清除未知操作边界的缺陷。中断中的内置只读操作可以恢复；可能已产生 副作用的操作保留核对记录，CLI/Web/REPL/TUI 均不能因为保存了部分回答就把它变成 可重放。工具批次中已完成、执行中、未开始的调用分别保留真实结果、未知结果和未执行 说明。Ctrl-C 返回带部分进度的取消结果，同进程后续对话会检查恢复状态。
取消或失败后不再启动新的宿主验证命令；“未运行”证据不会显示成“检查失败”。 中断、压缩、恢复与工作目录相关整合检查 176 项通过，页面与生命周期组合检查 118 项 通过；新文案的繁简体覆盖检查发现缺漏，已补齐。正在继续验证命令执行中的取消，及 跨页面、跨进程的补充消息持久化。
命令执行中的取消¶
c651c96b 主分支完整回归为 2562 通过、10 跳过，耗时 367 秒。此结果不包含随后
独立工作区中的命令取消改动。
Bash、Grep 在等待命令时检查取消信号，Windows 先给受信任的启动器建立 Job 归属， 再释放实际命令；使用实际 Python 解释器避免虚拟环境启动器抢先派生进程。普通结束时 保留明确后台启动的服务，取消、超时、异常时终止所拥有的进程。未确认终止或后台交接 失败通过宿主字段写入恢复记录，不能只依靠模型读到一条警告。
execute_code 同样支持执行中取消，复用通用进程归属实现。外层脚本结束后给正在退出
的内部工具一个有界收尾时间，保留其部分输出；仍在执行的内部操作继续保留恢复边界。
真实浏览器运行“execute_code → bash → Python → 延迟写文件子进程”，最初出现外层
停止而内层继续运行的失败。排查发现 Windows 的系统 Python 应用别名通过安装管理器
启动进程，普通命令 Job 未覆盖实际解释器。现在仅在默认 python 解析到这种别名时
优先使用 Collie 当前的实际解释器，已选定的虚拟环境及真实 Python 路径保持优先。
同一场景修复后约 0.25 秒确认取消，延迟文件和正常完成标记均未出现，无遗留恢复阻塞；
用户可直接在原会话继续询问，Claude 正确回答前一个命令被中断。
进程归属仍不是操作系统沙箱：显式调用系统服务代为启动程序、POSIX 主动脱离进程组等 路径不能笼统算作已被 Job 或进程组覆盖。实际工具结果和恢复边界必须据此解释，不能 把“已终止所拥有的进程”推广为“外部世界没有任何变化”。
后续整合与实际交付¶
下列记录补齐前面按时间写下的阶段状态，描述最终整合后的行为。
持久输入、图片与设置¶
会话执行使用操作系统锁；输入账本先保存后确认，保留请求身份、内容、设置和附件引用。Web 默认排队、显式插话分开处理；CLI、REPL 和 TUI 可以查看待处理请求并手动开始下一条。停止或失败不会自动放行下一项。外部 worker 的首次请求也在传输前写入会话，避免刷新后只有空白进度或中断后缺失原始要求。
图片和 IDE 上下文不再只依赖临时上传缓存。真实实验先接受带图请求、重启本地服务器，再用同一个请求 ID 重试，确认只保存一次；模型正确回答图片计数、颜色和精确上下文标记，随后也能区分历史图片与新图片。一次直接 SDK 实验使用 opus 别名触发冻结模型身份不匹配，未计为成功；使用该实验实际返回的规范模型 ID 后通过。
预算、生成参数、路由及四项敏感能力在接收时冻结。运行开始后不因另一个页面修改设置而改变已接受的条件；摘要、重试、子任务和 Pack 候选仍纳入共享预算。冻结过程本身也经过并发检查：最初两项回归复现读取多版设置、读到部分应用的环境；改为同一版设置快照和互斥应用后，相关 99 项检查通过。没有声称消除了 Live 等旧模块的全部全局设置读取。
Mission 完整目标与中途变更¶
原始真实代码 Mission 样本耗时 97.8 秒，未修改文件，却出现声称完成代码修改的输出。该失败记录保留在 mission-real.json。专用代码 Mission 现直接调度原生代码执行器，检查绑定实际修改和当前工作树，而不是把旧测试通过当作目标完成。
修复后 mission-v2-real.json 记录 168.42 秒、44 个模型迭代；项目 57 项测试通过。宿主另用原始行为作参照运行 36 个 CLI 参数组合，验证类别筛选与原有 since/total/json 组合兼容。这里的 44 轮是自然完成；默认 0 表示不设固定轮数上限，显式资源和时间限制仍有效。
需求保存在精确账本中，状态里的有限长度摘要只用于展示。Web 新增独立 Mission 页面、可跨刷新保留的草稿、运行中补充和完整需求历史。唯一请求 ID 支持安全重试；新要求应用后，旧的完成证据被标记为过时，完成事务还会检查晚到输入。
mission-notes-real.json 完整走过“暂停时保存说明 → 刷新 → 恢复 → 运行中追加 Unicode casefold 需求 → 完成”。耗时 120.183 秒，两条原文完整保留并应用，6 项独立验收通过。复核另外修正了重试后未释放 SQLite 事务的分支，以及运行中错误禁用补充按钮的问题。桌面与 390px 手机页面均检查，无 JS 错误或水平溢出。
Pack 保存与应用¶
Pack 选中结果先保存为可验证的差异，再清理候选目录；默认不立即应用时仍可日后查看。新增 Web 查看、刷新、应用和 CLI --saved 入口，查看及应用不调用模型。应用检查基线、路径和内容，遇到冲突保留当前修改，不以覆盖文件来掩盖差异。
pack-review-real.json 的真实两候选任务在 40.376 秒完成；浏览器查看后手动制造目标文件冲突，应用返回 409；恢复该文件基线后应用成功，不相关笔记保留，刷新显示结果已经存在，独立测试通过。较早的大任务样本两个候选分别完成 50 和 46 轮；选中结果另通过 15 项独立 CLI 检查。
外部 Claude Code 连续对话¶
首次外部 worker 排队实验错误要求文件工具适配器执行 Bash。Claude 如实说明能力限制；后续普通追问又暴露 worker 选择拒绝只读聊天的产品问题。不能把最初未执行 Bash 描述为完成了测试任务。修复后，原先卡住的两条追问在约 6.47 秒完成，沿用同一 Claude 原生会话。
之后使用适配器实际支持的文件工具重新测试：修改 slugify、排队两条追问、刷新并等待完成，共 43.025 秒；3 次运行使用相同原生会话，两个待处理请求各消费一次，独立 3 项测试通过，浏览器无 JS 错误。记录为 worker-edit-v2-real.json。它同时验证了修复前真实发现的“首条请求在刷新时不见”的问题。
另一次 Required 场景记录了宿主确实执行 python -m unittest -q、3 项测试通过、随后两次同会话追问完成。该测试脚本原本假设两条追问都排队，但第一条发送时前一任务已经结束，因此等待两个队列项超时；这是夹具假设失败。保存的执行记录和新开浏览器读取独立核验通过，见 required-readback.json，没有把脚本退出 1 改称端到端测试通过。
统一验证¶
第一轮最终整合脚本：Python 3236 通过、17 跳过、1 失败，耗时 590.26 秒。失败断言仍要求外部执行开始时会话为空；现在初始请求已经持久保存。断言按新的崩溃恢复契约更新，相关 28 项复测通过。
同一轮脚本还发现两处独立检查问题：平台扫描没有识别 6 行以外的 Windows 返回守卫；旧插话 UI 夹具仍模拟临时 /api/steer 接收。进程启动改为共用平台参数；插话夹具改为真实产品的持久队列 ACK 与执行边界事件，平台扫描及 16 项插话 UI 检查通过。不是把“保存成功”弱化成“已送达”。
第二轮 Python 3239 通过、17 跳过、0 失败，耗时 589.81 秒，但整个统一脚本仍退出 1：独立 runs_registry 集成脚本发现 python -m harness.webapp 将 Web 模块载入为两个实例，执行者和 HTTP 查询读取不同的运行表。这是本轮引入执行管理器后，在直接模块启动方式下暴露的真实缺陷，不能因为 pytest 全绿而略过。
修复为共享同一个模块实例后，真实子进程中的任务在客户端断开后仍被服务端列出并正常完成；独立脚本 12 项检查通过，相关 pytest 60 项通过。这个实际启动方式的集成场景现也进入 pytest，避免以后只在独立脚本中验证。
随后从 python -m harness.webapp 真正启动独立服务，使用真实 Claude 模型重跑浏览器刷新、两条排队追问、工具中取消及手动开始下一项：整套 27.808 秒，停止响应约 0.127 秒，等待中的请求没有被自动启动，未出现延迟完成文件，无 JS 错误。记录见 queue-module-real.json。这次也实际覆盖了修复前彼此分离的运行与取消控制路径。
最终第三轮 tests/run_all.sh 退出 0，所有门禁通过。Python 3240 通过、17 跳过、0 失败，耗时 598.76 秒；通用 GUI 59/59、CLI surfaces 41/41 通过。覆盖代码编译、核心组件、浏览器与编辑器扩展、控制面、渲染器、配对/relay、独立服务入口和完整 pytest 回归。原始日志为 final-run-all-v3.log，便于阅读的 UTF-8 副本为 run-all-final.txt。
两个 Windows 原生程序编译成功，壁纸程序仍有两条既有的未使用字段警告。17 个 pytest 跳过项仍然是未执行项，不计为通过；本轮没有完成其他操作系统的实机验证。各阶段检查数不能相加当成独立测试总数。
最后额外启动的 Claude Code 只读文档核对在 360 秒内未返回结果，未计为验证通过，也未据此推断文档无误。最终指南按本地实现和实际 CLI --help 核对；8 个参考 commit 与克隆清单一致，本地文档链接及 UTF-8 完整性检查通过。
工件目录¶
临时项目、模型事件、源码固定版本和测试日志位于
C:\workspace\collie-product-2026-09-06，不进入发布包。
开源参考包括 Codex、OpenCode、Pi、OpenHands SDK、Hermes、Goose、Aider 和 Cline；
对应提交记录在该目录的 references/manifest.json，源码结论与目标结构见
Agent Harness 源码对照。