Eucalyptus-项目总结
Eucalyptus — 项目总结
序
从最初的一个想法，到现在三个系统能完整跑起来，整个过程说实话挺魔幻的。
因为这个项目全程是AI完成的。
对，你没看错。这个"让AI替我打工"的系统，本身也是AI帮我搭建的。这就像一个人发明了 cloning 技术，然后用这项技术克隆了自己一样——有点套娃的意思。
这篇总结就来回顾一下整个项目的效果展示、核心链路，以及"AI开发AI"这件事本身。
项目总览
系统架构一览
┌─────────────────────────────────────────────────────────────────┐
│ Eucalyptus 系统架构 │
│ │
│ ┌─────────────────────────────────────────────────────────┐ │
│ │ vistask-ai（调度中心） │ │
│ │ ┌──────────┐ ┌──────────┐ ┌──────────┐ ┌─────────┐ │ │
│ │ │ 任务创建 │ │ 任务认领 │ │ 进度追踪 │ │ MCP工具 │ │ │
│ │ └──────────┘ └──────────┘ └──────────┘ └─────────┘ │ │
│ │ Spring Boot + Vue3 + MySQL + Redis │ │
│ └────────────────────────┬────────────────────────────────┘ │
│ │ REST API │
│ ▼ │
│ ┌─────────────────────────────────────────────────────────┐ │
│ │ Task Processor（执行引擎） │ │
│ │ ┌──────────┐ ┌──────────┐ ┌──────────┐ ┌─────────┐ │ │
│ │ │ 轮询认领 │ │ 流式解析 │ │ 进度上报 │ │ 文件上传 │ │ │
│ │ └──────────┘ └──────────┘ └──────────┘ └─────────┘ │ │
│ │ Python + subprocess + HMAC │ │
│ └────────────────────────┬────────────────────────────────┘ │
│ │ Claude CLI │
│ ▼ │
│ ┌─────────────────────────────────────────────────────────┐ │
│ │ Eucalyptus（数字分身） │ │
│ │ ┌──────────────────────────────────────────────────┐ │ │
│ │ │ 41 Skills │ 22 Agents │ 项目知识库 │ │ │
│ │ └──────────────────────────────────────────────────┘ │ │
│ │ Claude Code + 提示词工程 │ │
│ └─────────────────────────────────────────────────────────┘ │
└─────────────────────────────────────────────────────────────────┘
技术栈总览
| 组件 | 技术栈 | 代码量 |
|---|---|---|
| vistask-ai 后端 | Spring Boot + Spring AI MCP + JPA + MySQL + Redis | ~50+ Java文件 |
| vistask-ai 前端 | Vue3 + Vite + Element Plus | ~10+ Vue组件 |
| Eucalyptus | Claude Code + 41 Skills + 22 Agents | ~60+ Prompt文件 |
| Task Processor | Python + subprocess + HMAC | 1 Python主文件 |
效果展示
场景一：自动Bug修复
输入：在vistask-ai创建Bug修复任务
任务信息:
├── 标题: 修复DMS用户登录偶发超时问题
├── 描述: 高并发场景下，用户登录接口偶发超时，错误码504
├── 项目: DMS
├── 优先级: HIGH
└── 提示词: "分析DMS项目登录模块的并发问题，定位超时根因并修复"
自动执行链路：
[00:00] Task Processor 轮询到任务，自动认领
[00:01] 调用 Eucalyptus → master-skill → 意图识别: BUG_FIX
[00:01] 路由到 fix-workflow → project-router 加载DMS知识库
[00:02] fix-triage Agent: 分类=并发问题, 严重级别=HIGH
[00:04] fix-reproduce Agent: 复现条件=并发>500时触发
[00:07] fix-diagnose Agent: 根因=Redis连接池耗尽
[00:10] fix-repair Agent: 修复连接池配置, 添加超时兜底
[00:12] fix-deliver Agent: 提交代码, 创建PR
[00:12] Task Processor 上报完成, 上传结果文件
输出：12分钟完成一个Bug的完整修复流程，全程无人干预。
场景二：并行多任务
输入：同时创建3个不同类型的任务
┌─ 任务1: DMS后端新需求（用户权限模块） ── 后端工程师分身
├─ 任务2: APM前端Bug修复（图表显示异常） ── 前端工程师分身
└─ 任务3: AMS代码重构（数据库访问层优化） ── 重构工程师分身
并行执行：
时间轴:
──────────────────────────────────────────────────────────
T+00:00 分身1: 认领任务1 → feature-workflow → 后端开发
分身2: 认领任务2 → fix-workflow → 前端Bug修复
分身3: 认领任务3 → refactor-workflow → 代码重构
T+05:00 分身1: [需求分析中...]
分身2: [Bug复现完成，正在诊断...]
分身3: [代码扫描中，分析重构范围...]
T+10:00 分身1: [接口设计完成，开始编码...]
分身2: [根因定位完成，开始修复...]
分身3: [重构方案制定，开始执行...]
T+20:00 分身1: ✓ 编码完成，创建PR
分身2: ✓ 修复完成，创建PR
分身3: ✓ 重构完成，创建PR
──────────────────────────────────────────────────────────
总耗时: ~20分钟（并行）
如果串行执行: ~60分钟
效率提升: 3倍
场景三：7x24自动值守
某天的任务执行时间线:
凌晨 02:15 → 自动修复线上告警Bug（完成）
凌晨 04:30 → 自动优化APM项目慢查询（完成）
上午 08:00 → 我起床，查看任务看板
上午 09:00 → 我创建新需求任务（3个）
上午 09:01 → AI开始并行执行
上午 12:00 → 全部完成，我Review并合并
下午 14:00 → AI自动清理DMS项目的技术债（空闲任务）
下午 18:00 → 我下班
晚上 20:00 → AI继续执行待办任务列表
晚上 23:00 → 我睡觉
...AI继续工作...
一天24小时，AI从未停止。
核心链路回顾
全链路伪代码
// ==================== 主循环 ====================
function main():
// Phase 1: 初始化
api = VistaskAPI(config.endpoint)
api.login(config.username, config.password)
// Phase 2: 无限轮询
while True:
ensure_token_valid() // Token保活
task = api.claim_task() // 认领任务
if task is None:
sleep(10)
continue
// Phase 3: 执行任务
try:
result = execute_task(task)
api.complete_task(task.id, result)
except:
api.fail_task(task.id, error_message)
// ==================== 任务执行 ====================
function execute_task(task):
// Step 1: 构建执行参数
params = build_params(task)
// Step 2: 调用Eucalyptus
session_id = task.session_id or generate_uuid()
process = ClaudeCLI.launch(
skill = "/execute-task",
session_id = session_id,
params = params,
output_format = "stream-json"
)
// Step 3: 流式处理
for event in process.stream():
progress = parse_event(event)
api.update_progress(task.id, progress)
// Step 4: 上传结果
if has_result_files():
upload_result_files()
return collect_results()
// ==================== Eucalyptus内部调度 ====================
function eucalyptus_execute(params):
// Step 1: 意图识别
intent = master_skill.analyze(params.prompt)
// Step 2: 项目路由
project_ctx = project_router.load(params.project)
// Step 3: 工作流分发
workflow = select_workflow(intent.type)
// BUG_FIX → fix-workflow
// NEW_FEATURE → feature-workflow
// REFACTOR → refactor-workflow
// DEPLOY → deploy-workflow
// Step 4: 工作流执行
context = init_context(params)
for stage in workflow.stages:
context = stage.agent.execute(context)
update_shared_context(context)
// Step 5: 知识库更新
knowledge_base.update(project_ctx, context)
return context.result
// ==================== Bug修复流水线 ====================
function fix_workflow(context):
// 阶段1: 分诊
triage_result = fix_triage_agent.execute(
bug_description = context.prompt,
project_knowledge = context.project_kb
)
context.triage = triage_result
// 阶段2: 复现
reproduce_result = fix_reproduce_agent.execute(
triage = triage_result,
environment = context.project_env
)
context.reproduce = reproduce_result
// 阶段3: 诊断
diagnose_result = fix_diagnose_agent.execute(
reproduce = reproduce_result,
codebase = context.project_code
)
context.diagnosis = diagnose_result
// 阶段4: 修复
repair_result = fix_repair_agent.execute(
diagnosis = diagnose_result,
codebase = context.project_code
)
context.repair = repair_result
// 阶段5: 交付
deliver_result = fix_deliver_agent.execute(
repair = repair_result,
git_config = context.project_git
)
context.deliver = deliver_result
return context
全链路时序图
人类 vistask-ai TaskProcessor Eucalyptus 知识库 Git
│ │ │ │ │ │
│[创建任务] │ │ │ │ │
│──────────────>│ │ │ │ │
│ │ │ │ │ │
│ │<──[轮询]────────│ │ │ │
│ │──[返回Task]────>│ │ │ │
│ │ │ │ │ │
│ │<──[认领]────────│ │ │ │
│ │──[确认]────────>│ │ │ │
│ │ │ │ │ │
│ │ │[调用技能] │ │ │
│ │ │───────────────>│ │ │
│ │ │ │ │ │
│ │ │ │[加载知识库] │ │
│ │ │ │──────────────>│ │
│ │ │ │<──────────────│ │
│ │ │ │ │ │
│ │ │ │[六阶段流水线] │ │
│ │ │ │ │ │
│ │ │<──[TEXT]───────│ │ │
│ │<──[进度15%]─────│ │ │ │
│ │ │<──[TOOL_USE]───│ │ │
│ │<──[进度30%]─────│ │ │ │
│ │ │<──[TEXT]───────│ │ │
│ │<──[进度60%]─────│ │ │ │
│ │ │<──[RESULT]─────│ │ │
│ │<──[进度100%]────│ │ │ │
│ │ │ │ │ │
│ │ │ │[提交代码]─────>│ │
│ │ │ │ │ [PR] │
│ │ │ │ │ │
│ │ │ │[更新知识库]────>│ │
│ │ │ │ │ │
│ │<──[完成]────────│ │ │ │
│ │──[确认]────────>│ │ │ │
│ │ │ │ │ │
│[查看结果] │ │ │ │ │
│──────────────>│ │ │ │ │
│<──[任务报告]──│ │ │ │ │
全程AI完成
这个项目是怎么做出来的
说实话，这个项目本身就是提示词工程能力的最好证明。因为从头到尾，都是AI写的。
vistask-ai：用Claude Code从零搭建，包括：
- Spring Boot项目初始化和DDD分层结构
- 数据库表设计和JPA实体
- REST API接口和MCP工具定义
- Vue3前端页面（赛博朋克风格）
- 认证、权限、国际化等功能
Eucalyptus：整套提示词体系由Claude Code设计，包括：
- CLAUDE.md元规则
- 41个Skill的定义和Prompt
- 22个Agent的分工和协作规则
- 项目知识库模板和规范
- 工作流编排逻辑
Task Processor：用Claude Code编写，包括：
- Python主程序和轮询逻辑
- Claude CLI的调用和流式解析
- 文件上传和HMAC认证
- 异常处理和自动重试
开发过程
开发过程（简化版）:
Day 1: "帮我搭建一个Spring Boot + DDD结构的任务管理系统"
→ AI生成了vistask-ai后端的骨架代码
Day 2: "给任务系统加上MCP协议支持，让AI Agent能操作任务"
→ AI实现了McpTaskService和三个核心工具
Day 3: "帮我设计一套数字分身的技能体系，要能修Bug、做需求、重构代码"
→ AI设计了41个Skill和22个Agent的完整体系
Day 4: "写一个Python程序，轮询任务API并用Claude CLI执行"
→ AI生成了Task Processor的完整代码
Day 5: "把三个系统串起来，跑通完整链路"
→ AI帮我调试、修Bug、优化，直到全链路跑通
五天时间，一个人，一个AI，三个系统，完整闭环。
AI开发的优势
用AI来开发这个项目，有几个特别明显的优势：
1. 跨技术栈无缝切换
这个项目涉及Java、Vue3、Python、提示词工程四种技术栈。如果纯人工做，切换成本很高。但对AI来说，切语言就像切输入法一样自然。
2. 设计和实现同步
传统开发是先设计文档，再写代码，两个阶段分离。用AI开发，设计思路确认后可以直接生成代码，设计和实现几乎同步完成。
3. 一致性保证
因为都是同一个AI写的，代码风格、命名规范、架构思路高度一致。不会出现多人协作时的风格不统一问题。
4. 文档自然产出
AI在写代码的同时就能生成文档——知识库文件、架构文档、API说明。不需要额外花时间写文档。
AI开发的局限
当然，也要说实话。AI开发不是万能的：
- 需要人来做架构决策：AI能写代码，但"为什么要这样设计"还是需要人来判断
- 复杂调试需要人介入：有些跨系统的Bug，AI定位起来还是比较费劲
- 创意和灵感来自人：AI很擅长执行，但"做什么"和"为什么做"还是人决定的
所以准确的说法是：AI是执行者，人是决策者。
这个项目就是最好的证明——我决定做什么、怎么设计，AI负责实现。
数据说话
最后用一些数字来总结这个项目：
| 指标 | 数值 |
|---|---|
| 系统组件 | 3个 |
| 技能总数 | 41个 |
| Agent总数 | 22个 |
| 编程语言 | Java + Vue3 + Python + Prompt |
| 框架 | Spring Boot + Claude Code |
| 协议 | REST API + MCP + Claude CLI |
| 工作模式 | 7x24不间断轮询 |
| 并行能力 | 多任务同时执行 |
| 知识覆盖 | 3个项目（DMS/APM/AMS） |
| 人类参与时间 | < 10%（决策 + Review） |
| AI参与时间 | > 90%（实现 + 执行 + 维护） |
最后的最后
回顾这个项目，最大的感触是：
提示词工程的尽头，不是写一段好Prompt，而是构建一个能自己干活的系统。
一个Prompt只是一次性的工具，一个技能是可复用的工具，一个工作流是系统化的工具链，而一个数字分身是持续进化的生产力。
Eucalyptus不是终点，而是一个起点。未来这个系统还能进化出更多的能力：
- 更智能的任务调度
- 更强的跨项目协作
- 更丰富的知识库
- 更完善的自我学习
但在这一切之前，最重要的是——先跑起来。
而现在，它已经在跑了。7x24，从不间断。
这就是Eucalyptus。
Powered by Waline v2.14.7