Appearance
跟 AI 说了一句话：「帮我研究一下国内外电动车市场，出一份800字的分析报告。」然后去泡了杯茶。回来的时候发现——它自己拆了三个子任务，拉出两个研究员角色同时干活，一个查国内数据，一个查海外竞品；等两边都做完，第三个写手角色才开始合并。全程没问任何问题。
01 | 以前AI做多步任务，为什么总让人不踏实
大模型单独干一件事还好，一旦任务复杂起来，就开始出问题。
最常见的两种：
- 来来回回找你确认，「请问这部分要展开吗？需要引用数据吗？」——它越问你越烦
- 闷头干完，结果根本不对，你没法在中途插手，更不知道它现在干到哪一步了
根本原因不是模型不聪明，是缺一个让任务能被追踪、能被干预的地方。
你不需要 AI 更聪明，你需要一块你们都看得见的白板。
02 | Kanban：AI版任务看板
Kanban 是项目管理里常见的看板模式：TRIAGE → TODO → READY → IN PROGRESS → DONE，任务从左往右流动。
Hermes 把这套机制搬进了 AI 工作流里。
区别在于：这里的执行者是 AI 角色，不是真人。
- 每个任务可以指定 assignee（比如 researcher-a、writer）
- 任务之间可以设依赖
- 上游没完成，下游就停在 TODO 不动
03 | 核心概念
| 概念 | 说明 |
|---|---|
| Kanban Board | 任务看板，持久化存储 |
| Task | 单个任务，有状态、 assignee、依赖 |
| Worker | AI角色，从看板领任务执行 |
| Status | 任务状态：TRIAGE/TODO/READY/IN_PROGRESS/DONE |
| Dependency | 依赖关系，上游完成下游才能开始 |
| Comment | 评论，人工干预的入口 |
04 | 实战演示：电动车市场报告
搭建了这样一个任务链：
researcher-a → 搜集国内电动车市场数据（2022-2024）
researcher-b → 整理海外竞品动态（特斯拉/BYD出海）
writer → 合并两份研究，输出分析报告（依赖前两个）工作流程：
- 两个研究任务并行跑
- writer 的任务自动等待——只要有一个没完成，它就停在 TODO 里
- 等两个研究员都完成了，writer 自动升到 READY，开始合并
- 全程没问任何问题
在 writer 任务开始前，在评论里给了一条指令：
重点突出国内外价格差异，结尾给出三个投资建议，报告控制在800字以内
这条评论会被 AI 在执行时读到。不需要重新描述整个任务，补一句话就够了。 这是 Kanban 最实用的地方：人可以随时插一句，AI 下次执行时自动看到。
05 | 任务状态实时可见
看板总览展示 6 列状态，3 个任务分布其中：
- DONE 列：两个研究员的活已完成
- READY 列：写手任务等待认领
每个任务都有完整的 Run History（执行日志），记录 AI 做了什么、产出了什么、遇到了什么问题。
你随时可以打开看板看进度，不用追问 AI「你做到哪了」。
06 | 适用场景
| 场景类型 | 说明 | 示例 |
|---|---|---|
| 研究类 | 多角度并行搜集，最后合并 | 市场调研、竞品分析 |
| 例行类 | 固定流程，重复执行 | 每日简报、周报生成 |
| 批量类 | 批量处理类似任务 | 批量生成产品文案 |
07 | 实话实说
Kanban 不是银弹，有两个前提：
你需要想清楚怎么拆任务
任务怎么拆、拆成几个、依赖关系怎么设——这些还是人要做的事。拆得不好，AI 执行起来也会绕弯路。
不是所有任务都适合 Kanban
简单任务直接让一个 AI 干就够了，Kanban 反而增加了复杂度。只有多步骤、有分工、有协作的任务才值得用看板。
最合适的是这类任务：
- 需要多个角色协作
- 执行时间较长
- 过程中可能需要调整方向
- 需要完整的执行记录
08 | 和传统Agent的区别
| 对比项 | 传统Agent | Hermes Kanban |
|---|---|---|
| 多步骤任务 | AI自己决定怎么干 | 人工先拆任务再执行 |
| 进度追踪 | 靠问「你做到哪了」 | 看板可视化 |
| 中途干预 | 需要重新开对话 | 任务评论里补一句话 |
| 崩溃恢复 | 可能从头来 | 任务持久化，从断点恢复 |
| 并行执行 | 依赖工具调用 | 原生支持任务依赖 |
总结
Hermes Kanban 解决的核心问题是：让你和 AI 之间有一块共同的可视化白板。
你不用追着 AI 问进度，不用重复说背景，不用担心它中途跑偏。任务拆好，评论里补一句指令，剩下的交给看板。
从「一个人管一个 AI」变成「一个人管一个 AI 团队」。
