MemoryBear 任务分析系统提示词解析：自适应复杂度分级的多 Agent 任务分析框架

【免费下载链接】MemoryBearMemoryBear Equip AI with human-like memory capability项目地址https://gitcode.com/gh_mirrors/me/MemoryBear点击查看免费下载导读本文以 MemoryBear 开源仓库中api/app/core/rag/prompts/analyze_task_system.md为绝对主体深入拆解这套用于多 Agent 任务编排的任务分析器系统提示词System Prompt。你将理解它在 Master/Supervisor 编排模式中的实际调用位置与渲染机制掌握 LOW / MEDIUM / HIGH 三级复杂度分类的判定标准与逐级分析规格并学会如何自定义task_analysis提示词模板让任务分析深度随任务复杂度动态伸缩。一、任务分析器是什么提示词即编排大脑的决策规范在 MemoryBear 的多 Agent 架构中Master Agent主 Agent承担着大脑的职责分析用户意图、选择最合适的子 Agent、决定是否需要多 Agent 协作见 master_agent_router.py。而analyze_task_system.md这份文件正是为这个大脑量身定制的系统提示词——它约束 LLM 以结构化、可复用的分析框架来处理每次任务避免模型对简单问题过度分析、对复杂问题草率处理。该提示词由 generator.py 中的ANALYZE_TASK_SYSTEM load_prompt(analyze_task_system)加载作为模板常量供后续渲染使用。它同目录下还有配套的analyze_task_user.md用户侧输入变量定义两者在调用时被拼接为一个完整提示词详见下文第三节。二、分析框架总览三步走提示词开宗明义任务分析器task analyzer的核心原则是analysis depth adapts to task complexity分析深度随任务复杂度自适应即够用即止——一旦成功标准达成立即停止进一步分析避免 token 浪费。整个框架由三个步骤构成步骤名称作用Step 1Task Transmission Assessment任务传递评估判断是否需要向后续 Agent/步骤传递状态与上下文Step 2Complexity Classification复杂度分类将任务判定为 LOW / MEDIUM / HIGH 三级Step 3Adaptive Analysis自适应分析按复杂度等级缩放分析深度达标即停下面逐节展开。三、Step 1任务传递评估Task Transmission Assessment3.1 设计动机与豁免规则该节处理的是多 Agent 流水线中的**交接handoff**问题当一个 Agent 的分析结果要传递给下一个 Agent 或步骤时丢失关键上下文会导致下游执行偏离目标。提示词给出了三条评估规则Is this an initial step?是否为初始步骤——如果是跳过本节Are there upstream agents/steps?是否存在上游 Agent/步骤——如果没有只需提供最小传递信息Is there critical state/context to preserve?是否有必须保留的关键状态/上下文——如果有必须完整传递。值得注意的是提示词中的 NoteThis section is not subject to word count limitations when transmission is needed, as it serves critical handoff functions.即本节不受后续复杂度分级中分析字数上限的约束——交接信息关乎任务成败不因追求精简而牺牲完整性。3.2 需要传递时的六要素模板当判定需要任务传递时输出必须覆盖以下六个字段Current State Summary12 句话说明当前进展位置Key Data/Results必须携带到下游的关键发现与结果Context Dependencies下游 Agent/步骤必需的上下文Unresolved Items需要后续继续解决的事项Status for User以用户能理解的语言给出清晰的进度说明Technical State供技术交接使用的系统状态。这六要素在 MemoryBear 的协作Collaboration编排模式中有直接的对应实现multi_agent_orchestrator.py中_execute_collaboration_mode通过handoffs_service在 Agent 之间传递上下文见 multi_agent_orchestrator.py任务传递模板正是这类交接信息的结构化契约。四、Step 2复杂度分类Complexity Classification提示词要求将任务划分为三档判据简洁明确LOW单步任务single-step tasks、直接查询direct queries、闲聊寒暄small talkMEDIUM单领域内的多步任务multi-step tasks within one domainHIGH跨领域协调multi-domain coordination或复杂推理complex reasoning。从 MemoryBear 的MasterAgentRouter源码看分类思想与代码中的路由决策是一脉相承的路由器会先尝试规则快速路径_try_rule_fast_path见 master_agent_router.py对数学/物理/订单/退款等关键词命中度高、置信度超过 0.9 的明确请求直接返回决策不再调用 LLM 做深度分析——这正是LOW 级任务不做过度分析在工程层的落地未命中规则时才交给 Master Agent 全量分析_master_agent_decide。快速路径仅对明确关键词生效因此文章不夸大其适用范围它只是提示词分级理念的性能化补充。五、Step 3自适应分析Adaptive Analysis这是框架的核心。提示词要求Scale depth to match complexity. Always stop once success criteria are met.按复杂度缩放深度成功标准一旦达成立即停止。5.1 LOW 级极致精简分析部分 ≤ 50 词LOW 级任务的输出约束max 50 words for analysis only闲聊检测若判定为寒暄直接输出固定语句Small talk — no further analysis needed不再做任何分析单句目标One-sentence objective一句话陈述任务目标直接执行方案Direct execution approach12 步即可。该固定语句是提示词中唯一的硬编码输出样例实际工程中若 LLM 输出命中**ERROR**标记调用方会将其判定为无效结果见 generator.py。5.2 MEDIUM 级结构化规划分析部分 80150 词MEDIUM 级任务需要一份可执行的最小计划输出要素Objective; Intent Scope目标、意图与范围界定35 步最小计划minimal Plan允许标记可并行步骤Uncertainty Probes至少一个探针——即对不确定点的探测方式且必须附带明确的停止条件stop conditionSuccess Criteria Failure detection fallback成功标准、基础失败检测与回退方案Source Plan证据如何获取/验证即信息来源计划。该结构的工程对应物是next_step.md提示词Planning Agent它基于任务分析结果选择工具、跟踪进度并在必要时调整计划见 next_step.md且要求当任务已解决或无法再获取信息时调用complete_task——与 MEDIUM 级成功标准 回退的设计完全呼应。5.3 HIGH 级全面分析分析部分 150250 词HIGH 级任务对应跨领域协调或复杂推理输出要素在 MEDIUM 基础上进一步扩展Comprehensive objective analysis; Intent Scope全面的目标分析、意图与范围58 步计划含依赖关系/并行性标注Uncertainty Probes关键未知点 → 探针 → 停止条件的显式映射Measurable Success Criteria; Failure detectors fallbacks可量化的成功标准、失败检测器与回退方案Source Plan证据获取与验证计划Reflection Hooks升级/降级触发器——当执行过程中发现任务实际复杂度高于/低于预估时据此动态调整分析深度。5.4 三级规格速查表要素LOW≤50 词MEDIUM80150 词HIGH150250 词目标与范围单句目标目标 意图 范围全面目标分析 意图 范围计划步数12 步直接执行35 步可并行58 步含依赖/并行不确定性处理无≥1 个探针 停止条件未知点→探针→停止条件显式映射成功标准无明确要求成功标准 失败检测 回退可量化成功标准 失败检测器 回退证据计划无Source PlanSource Plan反思机制无无Reflection Hooks升降级触发器六、源码中的实际调用从模板到运行时6.1 模板加载机制所有提示词文件统一由 template.py 的load_prompt(name)加载从prompts/目录读取同名.md文件并以进程内字典缓存_loaded_prompts文件不存在则抛出FileNotFoundError。因此analyze_task_system.md与analyze_task_user.md被分别读入内存再在调用点拼接。6.2 渲染与调用链在 generator.py 的analyze_task()函数中if user_defined_prompts.get(task_analysis): template PROMPT_JINJA_ENV.from_string(user_defined_prompts[task_analysis]) else: template PROMPT_JINJA_ENV.from_string(ANALYZE_TASK_SYSTEM \n\n ANALYZE_TASK_USER) context template.render(tasktask_name, contextcontext, agent_promptprompt, tools_desctools_desc) kwd chat_mdl.chat(context, [{role: user, content: Please analyze it.}])关键点可插拔若user_defined_prompts中提供task_analysis键则完全替换系统提示词否则使用ANALYZE_TASK_SYSTEM \n\n ANALYZE_TASK_USER的默认拼接——系统提示词 用户输入变量说明组成完整指令四个渲染变量由 analyze_task_user.md 定义{{ task }}待分析的任务/请求、{{ context }}背景/历史/情境、{{ agent_prompt }}角色提示/特殊指令、{{ tools_desc }}可用子 Agent 及其能力由tool_schema()按 JSON Schema 序列化生成见 generator.py输出清洗re.sub(r^.*/think, , kwd, flagsre.DOTALL)会剥离模型 CoT 的 think 标签且命中**ERROR**时返回空字符串保证下游拿到的是纯分析结果。6.3 在 Supervisor 编排模式中的位置在 multi_agent_orchestrator.py 的流式执行中Supervisor 模式的第一步就是task_analysis await self._analyze_task(message, variables)随后_analyze_task通过self.router.route()产出routing_decisionselected_agent_id / confidence / strategy并统计routing_tokens计入总 token 消耗见 multi_agent_orchestrator.py。非流式execute()路径同样先做任务分析、校验路由决策再按决策执行子 Agent 并聚合结果见 multi_agent_orchestrator.py。七、实战建议如何定制自己的任务分析提示词基于源码事实user_defined_prompts[task_analysis]可直接替换默认模板给出以下可落地的定制建议保持三步框架任务传递评估 → 复杂度分类 → 自适应分析。这三步是深度随复杂度伸缩的骨架删掉任何一步都会破坏分级语义严格遵守字数上限LOW 50 词 / MEDIUM 80150 词 / HIGH 150250 词。这是控制 token 成本的核心约束可结合message_fit_in()的窗口裁剪机制默认 4000 token见 generator.py理解其意义为每个复杂度等级配备停止条件明确何时算分析完成防止模型过度推理为 HIGH 级保留 Reflection Hooks让模型在执行中能依据实际情况升级/降级分析深度这是处理边界任务的关键在输出规则中要求不重述框架analyze_task_user.md明确要求Dont restate the framework, definitions, or rules. Output only the final structured result定制时也应继承该约束避免模型把提示词内容再抄一遍。八、小结analyze_task_system.md是 MemoryBear 多 Agent 编排中任务分析器的提示词契约它以三步框架任务传递评估、复杂度分类、自适应分析为核心用 LOW/MEDIUM/HIGH 三级规格让模型在不浪费 token与不遗漏关键推理之间取得平衡。从generator.py的模板加载与渲染到master_agent_router.py的路由决策再到multi_agent_orchestrator.py的 Supervisor 执行链路这份提示词贯穿了分析 → 决策 → 执行的完整流水线同时user_defined_prompts[task_analysis]的可插拔机制为开发者提供了在不改源码的前提下定制分析策略的入口。赞分享【免费下载链接】MemoryBearMemoryBear Equip AI with human-like memory capability项目地址https://gitcode.com/gh_mirrors/me/MemoryBear点击查看免费下载相关推荐MemoryBear 任务分析提示词解析LOW / MEDIUM / HIGH 三级复杂度自适应规划框架MemoryBear 任务分析提示词解析LOW / MEDIUM / HIGH 三级复杂度自适应规划框架 导读 本文以 MemoryBear 仓库中 analMemoryBear Agent 反思机制详解reflect.md 提示词模板的复杂度评估、任务交接与情境反思设计MemoryBear Agent 反思机制详解reflect.md 提示词模板的复杂度评估、任务交接与情境反思设计 MemoryBear 在 api/app/VoxCPM2完全实操指南免费多语言语音合成与声音克隆从零跑通到生产部署VoxCPM2完全实操指南免费多语言语音合成与声音克隆从零跑通到生产部署 VoxCPM2 是一款开源的多语言语音合成TTS与声音克隆工具输入文本直接生人工智能语音音频AI 应用OpenBMB上一篇Smithbox Map Editor完整指南可视化地图编辑器添加敌人、道具与传送点的实操全流程下一篇videocache4cj LRU缓存清理策略详解TotalSize与TotalCount怎么选创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考