动态工作流（Batch 特性）

动态工作流（Batch 特性）

AuraCode 提供大规模并行变更编排系统，支持任务分解、并行执行和进度追踪。

概述

Batch 特性允许用户将大规模变更分解为可并行执行的子任务，通过多代理协同工作，显著提高大规模重构和批量操作的效率。

适用场景：
  • 大规模代码重构（跨 50+ 文件）
  • 批量 API 迁移
  • 统一代码风格调整
  • 依赖升级与兼容性修复
  • 文档批量更新

基本用法

/batch <描述>
参数说明：
  • 描述：自然语言描述要执行的批量变更
示例： 
/batch 将所有 Python 文件中的 print 语句改为 logging.info
/batch 升级 requirements.txt 中所有依赖到最新版本
/batch 使用 black 格式化所有 Python 文件

核心能力

1. 任务分解

AuraCode 自动分析用户描述，识别可并行的变更单元：

  • 文件级分解 — 每个文件作为独立任务
  • 目录级分解 — 按目录组织任务
  • 逻辑级分解 — 按变更类型分组

2. 并行执行

通过子代理系统实现真正的并行：

  • 每个子任务分配独立的子代理
  • 子代理同时工作，互不干扰
  • 实时显示每个子任务的进度

3. 进度追踪

实时显示任务执行状态：

批量任务进度:
[████████░░] 80% (4/5 完成)


✓ file1.py - 已更新 (2 处修改)
✓ file2.py - 已更新 (3 处修改)
✓ file3.py - 已更新 (1 处修改)
✓ file4.py - 已更新 (4 处修改)
⚙ file5.py - 处理中...

4. 错误恢复

部分失败时自动处理：

  • 重试机制 — 自动重试失败的任务
  • 降级策略 — 跳过无法处理的文件
  • 冲突解决 — 自动检测并解决冲突

5. 结果聚合

汇总所有子任务的执行结果：

  • 统计成功/失败数量
  • 展示变更详情
  • 提供回滚选项

执行流程

Phase 1: 任务分析

1. 解析用户描述
2. 识别目标文件和目录
3. 评估变更范围和复杂度

Phase 2: 任务分解

1. 将大任务拆分为独立子任务
2. 确定子任务间的依赖关系
3. 计算最优并行策略

Phase 3: 代理分配

1. 为每个子任务创建子代理
2. 分配独立的上下文和工具
3. 设置执行超时和重试策略

Phase 4: 并行执行

1. 所有子代理同时开始工作
2. 实时报告进度和状态
3. 处理执行中的异常

Phase 5: 结果聚合

1. 收集所有子任务的输出
2. 合并变更结果
3. 生成执行报告

Phase 6: 冲突处理

1. 检测文件冲突
2. 自动解决或提示用户
3. 提供回滚选项

使用示例

示例 1: 批量重构

场景：将所有 Python 文件中的 print 改为 logging.info 
用户: /batch 将所有 Python 文件中的 print 语句改为 logging.info


执行流程:
1. 扫描项目，找到 45 个 Python 文件
2. 分解为 45 个子任务（每个文件一个）
3. 创建 10 个子代理并行工作
4. 每个子代理处理 4-5 个文件
5. 实时显示进度
6. 汇总结果：修改了 127 处 print 语句

输出： 
批量任务完成 ✓


总计: 45 个文件
成功: 43 个文件
失败: 2 个文件 (已跳过)



变更详情:

    

  • 替换 print 语句: 127 处
    • 

  • 添加 import logging: 15 个文件
    • 

  • 修复格式问题: 8 个文件
    • 




失败文件:

    

  • legacy/old.py (语法错误，无法解析)
    • 

  • tests/test_legacy.py (依赖缺失)
    • 




是否要查看变更详情？(y/n)

示例 2: 批量依赖升级

场景：升级所有依赖到最新版本 
用户: /batch 升级 requirements.txt 中所有依赖到最新版本，并修复兼容性问题


执行流程:
1. 读取 requirements.txt (25 个依赖)
2. 查询每个依赖的最新版本
3. 分解为 3 个子任务:
   - 升级主要版本 (5 个)
   - 升级次要版本 (12 个)
   - 升级补丁版本 (8 个)
4. 并行执行升级
5. 运行测试验证兼容性
6. 修复发现的问题

示例 3: 批量格式化

场景：统一代码风格 
用户: /batch 使用 black 格式化所有 Python 文件，并修复 lint 错误


执行流程:
1. 找到所有 Python 文件 (150 个)
2. 分解为 5 个子任务 (每个 30 个文件)
3. 并行运行 black 格式化
4. 运行 flake8 检查 lint
5. 自动修复可修复的问题
6. 报告无法自动修复的问题

高级配置

并行度控制

默认并行度为 10 个子代理，可通过配置调整：

# config.yaml
batch:
  max_parallel: 15        # 最大并行数
  timeout_per_task: 300   # 每个子任务超时时间（秒）
  retry_count: 2          # 失败重试次数

文件过滤

可以指定只处理特定类型的文件：

/batch 在所有 .py 文件中添加类型注解
/batch 在 src/ 目录下统一代码风格
/batch 排除 tests/ 目录，升级所有依赖

干运行模式

先预览变更，不实际执行：

/batch --dry-run 将所有 print 改为 logging

输出示例： 

干运行模式 - 不会实际修改文件



计划变更:

    

  • 45 个文件将被修改
    • 

  • 预计修改 127 处
    • 

  • 预计耗时 2-3 分钟
    • 




是否继续执行？(y/n)

最佳实践

1. 明确描述

✅ 好的描述： 

/batch 将所有 Python 文件中的 print 语句改为 logging.info

❌ 模糊的描述： 

/batch 修改代码

2. 分阶段执行

对于大规模变更，建议分阶段执行：

# 第一阶段：预览
/batch --dry-run 升级所有依赖


第二阶段：执行

/batch 升级所有依赖


第三阶段：验证

/batch 运行所有测试并修复失败

3. 备份重要文件

在执行批量变更前，建议先备份：

git add .
git commit -m "Backup before batch operation"

4. 使用版本控制

批量操作后，使用 Git 审查变更：

git diff                    # 查看所有变更
git diff --stat             # 查看变更统计
git diff file.py            # 查看特定文件的变更

常见问题

Q: 批量操作会阻塞主会话吗？

A: 不会。批量操作在后台并行执行，你可以继续其他工作。

Q: 如果部分任务失败怎么办？

A: AuraCode 会自动重试失败的任务，如果仍然失败，会跳过并报告原因。

Q: 可以取消正在执行的批量任务吗？

A: 可以，使用 /batch cancel 取消所有正在执行的任务。

Q: 批量操作支持回滚吗？

A: 支持，使用 /batch rollback 回滚到操作前的状态。

相关工具

  • spawn_subagent — 创建子代理
  • join_subagent — 等待子代理完成
  • list_subagents — 列出所有子代理
  • subagent_stats — 查看子代理统计

参见