一种基于任务状态机的AI编程助手的上下文管理方法及系统与流程

本发明属于人工智能辅助软件开发领域，具体涉及一种基于任务状态机的ai编程助手的上下文管理方法及系统。

背景技术：

1、ai编程助手在协助用户完成开发任务时，需要将历史对话、工具调用结果等上下文持续提供给大语言模型。随着会话推进，上下文长度逐渐逼近模型窗口上限，必须对历史内容进行压缩整理；如何在压缩的同时保住当前任务所需的关键信息，是这类工具面临的主要问题。现有的上下文管理方案主要有以下几类：

2、（1）opencode生态的dcp插件；dcp（dynamic context pruning）通过compress工具由模型自主决定何时压缩，支持将连续对话跨度压缩为技术摘要（range模式）或独立压缩单条消息（message模式），新旧摘要重叠时形成多层嵌套摘要，并带有工具调用去重、错误调用清理等自动清理策略。其管理对象是对话文本：压缩哪些内容由模型按文本跨度自行判断，压缩后直接发送给模型；其不识别开发任务的执行状态，也未披露对压缩后任务能否正确续接的验证机制。

3、（2）supermemory插件；supermemory在上下文长度达到模型最大窗口的固定比例（默认80%）时触发智能压缩，配合内置或自定义的关键词模式检测，将重要信息存入外部记忆库并在需要时注入。其触发与压缩均基于固定阈值和关键词匹配，不具备对当前开发任务结构的理解能力，压缩后同样无从验证任务能否正确续接。

4、（3）hindsight、mem0等记忆型方案；hindsight通过会话生命周期钩子在上下文压缩阶段将语义召回的历史记忆注入压缩后的上下文；mem0从跨会话对话中提取实体、关系及用户偏好，构建用户级的记忆图。这类方案关注记忆的留存、召回与用户偏好的持久化，没有任务执行状态的概念，注入或召回后也不验证模型能否基于当前任务状态正确推断下一步操作。

5、上述方案的共同问题在于：管理的对象是“对话内容”，即文本、摘要、向量或记忆，而不是“任务执行状态”。而在ai编程助手的通用使用场景中，用户与ai的交互本质上是协作完成一系列开发任务（如“搭建用户系统”包含“设计数据库→写登录接口→写注册接口→写测试”）。

6、以对话内容为管理对象，导致现有方案存在四方面缺陷：

7、其一，不识别任务的完成状态，存储了大量对话原文，却不知道当前做到哪一步；其二，不基于整体任务结构主动规划下一步，只能被动应答；其三，压缩或注入记忆后，不验证“塞回去后ai是否还能基于当前状态正确推断出下一步应该做什么”，一旦关键信息被压缩掉，任务随即中断；其四，压缩策略与任务无关，按时间或长度删除内容，可能删掉“当前正在做的任务”所需的关键上下文，而保留已完成的无关细节。

技术实现思路

1、针对上述问题，本发明的目的在于提供一种基于任务状态机的ai编程助手的上下文管理方法及系统，可以实现将散乱对话转化为任务执行状态图，使压缩策略与当前任务状态耦合；在上下文压缩后，通过任务连续性推断验证ai是否仍能正确继续当前任务；基于任务状态机的依赖关系进行下一步操作规划与入参兼容性检查。

2、实现本发明目的的具体技术方案为：

3、一种基于任务状态机的ai编程助手的上下文管理方法，包括以下步骤：

4、步骤1、任务状态机构建；

5、步骤2、基于焦点任务路径的选择性整理；

6、步骤3、任务连续性推断验证；

7、步骤4、基于任务状态机的下一步规划与入参检查。

8、本方案还提供一种基于任务状态机的ai编程助手的上下文管理系统，包括以下模块：

9、状态机构建模块：用于进行任务状态机构建；

10、选择性整理模块：用于进行基于焦点任务路径的选择性整理；

11、推断验证模块：用于任务连续性推断验证；

12、下一步规划与检查模块：用于基于任务状态机的下一步规划与入参检查。

13、相比于现有技术，本发明的有益效果在于：

14、（1）任务状态机构建与待执行步骤生成：通过显式指令和工具调用结果识别任务，任务节点包含待执行步骤字段（pending_steps），该字段在任务创建或状态流转为进行中时，基于任务描述及依赖的已完成任务的产出自动生成，作为连续性验证中关键词覆盖率比对的基准；

15、（2）焦点任务路径选择性整理策略：递归查询焦点任务的父任务直至根任务形成焦点任务路径，保留路径上所有节点信息及依赖产出，压缩非路径已完成任务为摘要，丢弃非路径pending任务，区别于现有技术按文本跨度或固定阈值压缩；

16、（3）任务连续性推断验证的三项联合比对：语义相似度比对（推断的当前任务与焦点任务描述的余弦相似度≥0.8）、关键词覆盖率比对（推断的下一步操作与焦点任务待执行步骤的覆盖率≥60%）、产出存在性检查（推断的所需产出均存在于已记录产出中），三项联合验证压缩后上下文是否仍支持正确的任务推理；

17、其中，语义相似度采用与推断模型独立的预训练句子嵌入模型编码后计算余弦相似度；关键词覆盖率以待执行步骤中提取的动词和名词为基准关键词集合，统计推断下一步操作命中的基准关键词数量与基准集合总数的比值；

18、（4）验证失败的两轮补回与降级：任一比对项不通过则从本地存储补充缺失信息后重新整理并重新验证，最多迭代两次；超过两次仍不通过则保留原始上下文；验证模型连续两次输出异常则跳过验证步骤；

19、（5）基于任务状态机的下一步规划与入参兼容性检查：验证通过后基于任务依赖关系主动规划下一步（依赖优先、子任务展开、历史习惯辅助）；执行前检查入参的产出存在性、决策一致性和范围有效性，其中决策一致性检查通过提取正向关键词并查询预设冲突词典获取冲突关键词来判定。

20、下面结合具体实施方式对本发明做进一步的说明。

1.一种基于任务状态机的ai编程助手的上下文管理方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于任务状态机的ai编程助手的上下文管理方法，其特征在于，所述步骤1中的任务状态机构建，具体为：

3.根据权利要求2所述的基于任务状态机的ai编程助手的上下文管理方法，其特征在于，所述步骤1-1中的任务节点的待执行步骤列表pending_steps即当任务节点被创建或任务状态为doing时，基于该任务的任务描述及其依赖任务id中状态为已完成done的任务节点的任务产出，生成待执行步骤列表并存入待执行步骤列表pending_steps字段，具体包括：

4.根据权利要求2所述的基于任务状态机的ai编程助手的上下文管理方法，其特征在于，所述步骤2中的基于焦点任务路径的选择性整理，具体为：

5.根据权利要求2所述的基于任务状态机的ai编程助手的上下文管理方法，其特征在于，所述步骤3任务连续性推断验证，具体为：

6.根据权利要求5所述的基于任务状态机的ai编程助手的上下文管理方法，其特征在于，当判定任务连续性推断验证失败时，定位导致失败的缺失信息，并补充缺失的任务节点或产出到上下文末尾，之后返回步骤2重新执行选择性整理、和推断验证；

7.根据权利要求2所述的基于任务状态机的ai编程助手的上下文管理方法，其特征在于，所述步骤4中的基于任务状态机的下一步规划与入参检查，具体为：

8.根据权利要求7所述的基于任务状态机的ai编程助手的上下文管理方法，其特征在于，所述决策一致性通过以下规则判定入参是否违反已记录的技术决策：

9.根据权利要求5所述的基于任务状态机的ai编程助手的上下文管理方法，其特征在于，在步骤3-2中利用llm模型获取json输出时，若连续2次输出的json格式错误或包含不在任何任务产出中的产出名称，则判定为任务连续性推断验证模型异常；

10.一种基于任务状态机的ai编程助手的上下文管理系统，其特征在于，包括以下模块：