myagent-ai 1.6.7 → 1.7.0

package/agents/main_agent.py

@@ -83,58 +83,85 @@ class MainAgent(BaseAgent):
 **如果命令执行超时**: 系统会自动将超时信息反馈给你，包含命令已产生的部分输出。
 你需要分析超时原因并给出改进方案（如优化算法、添加超时参数、分批处理等）。
 
-## 格式要求
-当你需要执行操作时，输出 JSON 格式:
+## 输出格式（重要：流式友好）
 
-**step 模式**（默认，逐步执行）:
-```json
-{
-  "thought": "说明你当前的分析和下一步计划",
-  "mode": "step",
-  "actions": [
-    {"type": "code", "language": "python", "code": "代码", "timeout_seconds": 60}
-  ]
-}
-```
+**核心原则：先用纯文本说明你的思路，只在执行操作时才输出 JSON。**
+
+### 情况 1：需要执行操作
+先用纯文本/markdown简要说明你的分析和计划（用户会实时看到），然后用 JSON 输出操作指令：
 
-**batch 模式**（多个独立操作，一次性执行）:
-```json
-{
-  "thought": "说明为什么这些操作可以批量执行（互不依赖）",
-  "mode": "batch",
-  "actions": [
-    {"type": "skill", "name": "file_read", "params": {"path": "/a.txt"}},
-    {"type": "skill", "name": "file_read", "params": {"path": "/b.txt"}}
-  ]
-}
+让我先检查一下文件内容...
+
+```action
+{"thought": "需要查看文件内容", "mode": "step", "actions": [{"type": "skill", "name": "file_read", "params": {"path": "/a.txt"}}]}
 ```
 
-如果不需要执行操作，只是回复用户，输出:
-```json
-{
-  "thought": "你的思考",
-  "actions": []
-}
+### 情况 2：不需要执行操作
+直接用纯文本/markdown回复即可，不需要任何 JSON。
+
+### 情况 3：执行完操作后的总结
+操作完成后，直接用纯文本/markdown总结结果，不要再用 JSON。
+
+### JSON 操作指令格式
+将 JSON 放在 ```action``` 代码块中，系统会自动识别并执行：
+
+**step 模式**（默认，逐步执行）:
+```action
+{"thought": "说明你当前的分析和下一步计划", "mode": "step", "actions": [{"type": "code", "language": "python", "code": "代码", "timeout_seconds": 60}]}
 ```
-然后在 JSON 外面用 markdown 写你的回复。
 
-或者直接用纯文本/markdown 回复，不包含 JSON。
+**batch 模式**（多个独立操作）:
+```action
+{"thought": "说明为什么可以批量执行", "mode": "batch", "actions": [{"type": "skill", "name": "file_read", "params": {"path": "/a.txt"}}, {"type": "skill", "name": "file_read", "params": {"path": "/b.txt"}}]}
+```
 
 action type="code" 必须包含 "timeout_seconds" 字段。action type="skill" 或 "memory" 不需要此字段。
 省略 mode 字段时默认为 "step"。
 
-## 任务规划模式
-当用户消息中包含"当前任务计划"上下文时，你处于**任务规划模式**。请:
-1. 分析用户需求，评估现有任务的完成状态
-2. 每完成一个任务步骤后，更新任务状态
-3. 在回复末尾用以下格式输出更新后的任务计划:
+**注意**：你也可以直接输出裸 JSON（不用 ```action``` 包裹），系统同样能识别。但推荐使用 ```action``` 格式，这样你的分析文本能实时流式展示给用户。
 
-## 任务计划
-- [ ] 任务描述1
-- [x] 已完成的任务
-- [ ] 待执行的任务描述2
+## 执行模式任务追踪（重要：强制 JSON 格式）
 
-保持任务简洁明确，每个任务一行。
+当你处于**执行模式**（Execution Mode）时，你**必须**在每次回复中包含一个 JSON 格式的任务进度列表。
+这个 JSON 必须放在 ```tasklist``` 代码块中，系统会自动解析并实时展示给用户。
+
+格式要求：
+```tasklist
+[
+  {"text": "分析需求", "status": "done"},
+  {"text": "检查文件结构", "status": "done"},
+  {"text": "修改代码", "status": "running"},
+  {"text": "测试验证", "status": "pending"}
+]
+```
+
+status 取值：
+- `"pending"` — 待执行
+- `"running"` — 正在执行（当前步骤，每次只能有一个）
+- `"done"` — 已完成
+- `"blocked"` — 被阻塞（等待依赖或其他原因）
+
+规则：
+1. 每次回复开头先用纯文本简要分析当前状态（这段文本会实时流式展示给用户）
+2. 然后输出 ```tasklist``` 代码块更新任务进度
+3. 如果需要执行操作，在 tasklist 之后输出 ```action``` 代码块
+4. 如果不需要执行操作（纯文本回复），在 tasklist 之后直接写总结
+5. 如果是简单任务（一步完成），也必须输出任务列表（只有一个条目）
+6. 每次只将一个任务标记为 `running`，其余为 `pending` 或 `done`
+7. 不要手动输出 markdown 格式的任务列表，只用 JSON 格式
+
+回复结构示例：
+```
+让我先检查一下文件内容...
+
+```tasklist
+[{"text": "检查文件内容", "status": "running"}, {"text": "根据结果修改", "status": "pending"}]
+```
+
+```action
+{"thought": "需要查看文件", "mode": "step", "actions": [{"type": "skill", "name": "file_read", "params": {"path": "/a.txt"}}]}
+```
+```
 
 ## 重要规则
 - 优先使用技能系统完成操作，而不是直接写代码

package/departments/manager.py

@@ -460,6 +460,7 @@ class DepartmentManager:
             except (json.JSONDecodeError, IOError):
                 continue
 
+            agents_list = meta.get("agents", [])
             child_path = f"{path}/{d.name}" if path else d.name
             children.append({
                 "path": child_path,
@@ -467,7 +468,8 @@ class DepartmentManager:
                 "emoji": meta.get("emoji", ""),
                 "description": meta.get("description", ""),
                 "head": meta.get("head", ""),
-                "agent_count": len(meta.get("agents", [])),
+                "agents": agents_list,
+                "agent_count": len(agents_list),
                 "chat_group_id": meta.get("chat_group_id", ""),
                 "created_at": meta.get("created_at", ""),
                 "updated_at": meta.get("updated_at", ""),

package/docs//351/205/215/347/275/256/344/275/277/347/224/250/350/257/264/346/230/216.md

@@ -812,4 +812,4 @@ Web 管理后台包含以下功能模块：
 
 ### 聊天界面
 
-除了管理后台，MyAgent 还提供了一个独立的聊天界面，访问地址为 `http://127.0.0.1:8765/ui/chat.html`。聊天界面提供与 CLI 模式相同的对话功能，但拥有更丰富的界面展示（如 Markdown 渲染、代码高亮、执行结果展示等），适合需要可视化交互的场景。
+除了管理后台，MyAgent 还提供了一个独立的聊天界面，访问地址为 `http://127.0.0.1:8765/ui/chat/chat_container.html`。聊天界面提供与 CLI 模式相同的对话功能，但拥有更丰富的界面展示（如 Markdown 渲染、代码高亮、执行结果展示等），适合需要可视化交互的场景。

package/main.py

@@ -59,6 +59,7 @@ def _open_browser_kiosk(url: str):
                 args=[
                     "--no-sandbox",
                     f"--app={url}",  # app 模式: 无地址栏、无标签页
+                    "--start-maximized",
                 ],
             )
             # 保持进程运行，浏览器关闭后退出
@@ -804,7 +805,7 @@ def create_tray_icon(app: MyAgentApp, web_port: int = 8767):
         _open_browser_kiosk(f"http://127.0.0.1:{web_port}/ui/")
 
     def open_chat_ui(icon, item):
-        _open_browser_kiosk(f"http://127.0.0.1:{web_port}/ui/chat.html")
+        _open_browser_kiosk(f"http://127.0.0.1:{web_port}/ui/chat/chat_container.html")
 
     def open_logs(icon, item):
         _open_path(str(app.config_mgr.logs_dir))
@@ -977,7 +978,7 @@ def run_with_tray(app: MyAgentApp, web_port: int = 8767):
 
     tray_thread = threading.Thread(target=_tray_run, daemon=True)
     tray_thread.start()
-    app.logger.info(f"系统托盘已启动 (聊天: http://127.0.0.1:{web_port}/ui/chat.html)")
+    app.logger.info(f"系统托盘已启动 (聊天: http://127.0.0.1:{web_port}/ui/chat/chat_container.html)")
 
     # 启动完成通知
     _tray_notify(app, "MyAgent 已启动", f"v{get_version()} | 端口: {web_port}")
@@ -1520,7 +1521,7 @@ def main():
             # 非 tray 模式（纯 web 模式）自动打开浏览器
             if not args.tray:
                 try:
-                    _open_browser_kiosk(f"http://127.0.0.1:{web_port}/ui/chat.html")
+                    _open_browser_kiosk(f"http://127.0.0.1:{web_port}/ui/chat/chat_container.html")
                 except Exception:
                     pass
 

package/package.json

@@ -1,6 +1,6 @@
 {
   "name": "myagent-ai",
-  "version": "1.6.7",
+  "version": "1.7.0",
   "description": "本地桌面端执行型AI助手 - Open Interpreter 风格 | Local Desktop Execution-Oriented AI Assistant",
   "main": "main.py",
   "bin": {

package/skills/example-skill/SKILL.md

@@ -0,0 +1,33 @@
+# Example Skill
+
+A demonstration skill showing the SKILL.md format used by GLM Agent Engine.
+
+## Description
+
+This is an example skill that demonstrates the expected structure and format for skills in the GLM Agent ecosystem. Skills are self-contained modules that extend the agent's capabilities with specialized functionality.
+
+## Capability
+
+The agent can invoke this skill when users need demonstration or testing of the skill system. It serves as both documentation and a working example for skill developers.
+
+## Instructions
+
+When this skill is loaded, the agent should:
+1. Acknowledge that the example skill has been invoked
+2. Explain the skill system architecture to the user
+3. Guide the user on how to create their own custom skills
+
+## Skill Structure
+
+Each skill should contain:
+- `SKILL.md` - This metadata file (required)
+- Supporting scripts, configs, or data files as needed
+- Any language-specific setup (package.json, requirements.txt, etc.)
+
+## Creating Custom Skills
+
+To create a new skill:
+1. Create a directory under `/home/z/my-project/skills/`
+2. Add a `SKILL.md` file with proper metadata
+3. Include any necessary scripts or configurations
+4. The skill will be automatically detected by the agent engine

package/skills/example-skill/run.sh

@@ -0,0 +1,11 @@
+#!/bin/bash
+# Example skill execution script
+# This demonstrates how skills can include executable logic
+
+echo "Example Skill executed at: $(date)"
+echo "Arguments: $@"
+echo "Project directory: ${CLAWHUB_WORKDIR:-/home/z/my-project}"
+
+# Your skill logic goes here
+# Exit 0 for success, non-zero for failure
+exit 0