Github 原文：shareAI-lab/learn-claude-code
问题
给 Agent 一个复杂任务：“把所有 Python 文件改成 snake_case 命名，然后跑测试，修好失败。”
Agent 开始干活，改了 3 个文件，跑了个测试，发现 2 个失败，开始修。修着修着，它忘了最初是”改成 snake_case”，测试失败把注意力全吸走了。
对话越长越严重：工具结果不断填满上下文，系统提示的影响力被稀释。一个 10 步重构，做完 1-3 步就开始即兴发挥，因为 4-10 步已经被挤出注意力了。
解决方案
保留上一章的最小 hook 结构，重点看新增的 todo_write 工具和 reminder 机制。todo_write 本身不做任何实际工作，不能读文件、不能跑命令，只是让 Agent 在动手之前先理清思路，此外，额外在循环里加了一个计数器：连续 3 轮没调 todo_write 就注入一条提醒，用AI 检查一下是否需要更新一下 Todo 或者重新看一遍 Todo。
工作原理
先说 tode_write ，这个东西通俗来说就是我们每次操作 Agent 的那个任务清单，例如你在使用 codex的时候，在做复杂任务的时候在右侧的列表会有个清单，一步一步的完成的那个东西。
其实光从这个东西的作用我们就可以推理出来，它其实就是一个带有状态的列表，保存在当前进程的内存中，用于显示进度。
TOOLS = [
{"name": "bash", ...},
{"name": "read_file", ...},
{"name": "write_file", ...},
{"name": "edit_file", ...},
{"name": "glob", ...},
# s05: 新增一条
{"name": "todo_write", "description": "Create and manage a task list ...",
"input_schema": {
"type": "object",
"properties": {
"todos": {
"type": "array",
"items": {
"type": "object",
"properties": {
"content": {"type": "string"},
"status": {"type": "string", "enum": ["pending", "in_progress", "completed"]},
},
},
},
},
},
},
]
TOOL_HANDLERS["todo_write"] = run_todo_write然后再说提醒 AI 的那个 nag reminder ，在教学中是很简单的，它的逻辑就是只要 Agent 的 loop 三轮没有调用 todo_write 就会触发，自动注入一条提醒让 Agent 去再去获取一下 todo 清单，如果要更新就去更新，就算不更新，也会重新加入到上下文防止 Agent 忘记。要注意的是，CC 并不是这么做的，他其实做得很复杂，这个后面我们会简单讲到，在后续的 Task system 的部分，再详细介绍。
总结，Agent 收到任务后的典型流程：
-
先调
todo_write列出所有步骤（全pending） -
做一个步骤，改成
in_progress -
做完改成
completed -
看下一个
pending -
继续重复上面的步骤，如果连续 3 轮没有调用
todo_write时，循环会在下一次 LLM 调用前追加一条 reminder。
CC是如何做的
CC 中有两套任务系统并存（tasks.ts:133-139）：
-
TodoWrite：一个简单的列表工具，数据在内存 AppState 中维护。教学版也保存在进程内存里，退出后清空
-
Task System：文件持久化、依赖图、并发锁、ownership
这里先不做过多拓展，在后续的 Task system 章节专门来介绍这部分，这是个挺复杂的模块。