Skip to content

Folders and files

NameName
Last commit message
Last commit date

Latest commit

 

History

3 Commits
 
 

Repository files navigation

TaskMind

打造一个由大语言模型(LLM)驱动的智能任务编排系统。这种系统结合了自然语言理解、任务管理、自动计划生成、数据库调度与部分任务的“AI外包执行”,可以服务个人生产力、科研辅助,甚至适用于轻量型项目管理。

📄 一、项目需求文档(简版)

🎯 项目名称:

CortexFlow:LLM 驱动的智能任务拆解与执行系统

🧠 核心理念:

用户只需用自然语言表达任务,系统即可理解、拆解、记录、安排,并自动完成其中的可执行部分(如写作、总结、计划、日程安排),从而减轻用户认知负担,提升高效执行力。

✅ 主要功能:

功能模块 描述 🗣 自然语言输入 用户用口头或文字描述待办事项、想法、目标 🧠 任务解析(由LLM完成) 提取:任务标题、DDL、优先级、子任务、任务类型 🧩 智能拆解器 对复杂任务进行结构化子任务生成 📦 数据库存储 所有任务、子任务、状态、时间戳存储 ⏱ 日程调度器 根据DDL、优先级生成计划,安排每日任务 📜 AI任务执行器 对文稿类任务、阅读总结类任务进行自动完成(RP草稿、读论文总结) 📊 任务跟踪与复盘 展示进度、任务完成率、常见阻塞点等 🖥️ 可视化前端 与用户交互:新增任务、查看进度、获取建议、自动完成任务

🧱 二、系统结构图

graph TD A[🧑 用户] -->|自然语言任务| B[🧠 LLM任务解析器] B --> C[📚 结构化任务对象] C --> D[🗃️ 任务数据库] D --> E[📆 日程调度器] E --> F[📋 每日待办列表]

D --> G[📈 跟踪模块]
G --> A

C --> H[🤖 自动执行器]
H --> I[📝 文本草稿 / 总结]
I --> D

🧩 三、模块结构草图(每个模块怎么协作)

  1. 用户输入模块(前端) • 用户输入示例:

我需要在7月15号前完成博士申请的RP初稿,今天还得复习控制理论第二章,明天准备面试稿。

•	送入 LLM Prompt,调用任务提取器。

  1. LLM任务理解器(Langchain / Prompt编排)

提取出结构化数据:

[ { "title": "写博士申请的RP初稿", "ddl": "2025-07-15", "priority": "高", "subtasks": ["制定提纲", "查阅相关论文", "撰写初稿", "润色"], "type": "writing" }, { "title": "复习控制理论第二章", "ddl": "2025-07-08", "priority": "高", "type": "study" }, { "title": "准备面试答辩稿", "ddl": "2025-07-09", "priority": "中", "type": "presentation" } ]

  1. 数据库存储设计(简化版)

-- tasks

id title ddl priority status type created_at
1 RP初稿 2025-07-15 doing writing 2025-07-08
2 复习控制第二章 2025-07-08 pending study 2025-07-08

-- subtasks

id task_id content status done_at
1 1 制定提纲 pending null
2 1 查阅相关论文 pending null

  1. 自动执行模块(GPT驱动) • 如果任务类型是 writing,如:

任务:“写一篇博士申请研究计划,方向是Memory-Augmented QA”

则调用 LLM 生成 draft: • auto_write("RP初稿", direction="Memory-Augmented QA") → returns Markdown草稿

•	如果任务类型是 read + summarize,则读取PDF/网页并生成笔记。

  1. 跟踪与日程调度器 • 每天自动汇总:

{ "today_tasks": [ "复习控制理论第二章", "完成RP提纲" ], "overdue": [], "upcoming": ["准备面试稿"] }

•	可用 Notion API / Google Calendar API 做提醒与计划同步

🧪 四、完整交互示例(用户 ⇆ LLM ⇆ 系统)

🧑 用户:

我得赶在7月15号前把RP初稿写完,今天下午复习控制第二章,晚上试着写一封推荐信请求信给张老师。

🧠 LLM处理:

输出结构化数据,写入数据库:

[ { "title": "写RP初稿", "ddl": "2025-07-15", "type": "writing", "subtasks": ["提纲", "初稿", "润色"], "auto_executable": true }, { "title": "复习控制第二章", "ddl": "2025-07-08", "type": "study" }, { "title": "写推荐信请求信", "ddl": "2025-07-08", "type": "communication", "auto_executable": true } ]

🤖 自动任务执行: • 为“写推荐信请求信”生成邮件模版:

张老师您好,

我正在准备博士申请,想请您作为我的推荐人之一。若您方便的话,我会在本周内发送我的简历、研究计划与申请说明,供您参考。希望能获得您的支持。

敬祝 教安, Peng

•	为“写RP初稿”生成写作提纲草案,并存为rp_outline.md

🛠️ 工程结构草案(前后端+LLM集成)

cortexflow/ │ ├── backend/ │ ├── app.py # FastAPI主接口 │ ├── task_parser.py # LLM调用模块 │ ├── scheduler.py # 日程管理 │ ├── task_executor.py # 自动完成器(写/读/总结) │ └── db/ │ └── models.py # ORM模型定义 │ ├── frontend/ │ ├── pages/ # 任务列表、今日待办、交互输入 │ └── components/ # LLM聊天框、任务卡片 │ └── llm_prompts/ ├── task_extraction.md └── writing_templates.md

About

打造一个由大语言模型(LLM)驱动的智能任务编排系统。这种系统结合了自然语言理解、任务管理、自动计划生成、数据库调度与部分任务的“AI外包执行”,可以服务个人生产力、科研辅助,甚至适用于轻量型项目管理。

Resources

Stars

0 stars

Watchers

0 watching

Forks

Releases

Packages

Contributors