Aether 是一个基于 VSCode 插件生态打造的 AI 代理（Agent）调度与运行平台，旨在通过模块化的架构与工具集成，实现类似现实世界团队协作的仿生智能体组织。它通过明确的角色分工和自动化的任务执行，使 AI 能够高效处理复杂任务。
目前，AI Agent 的实现大多孤立运行，缺乏良好的协作与任务流转机制。Aether 希望利用 VSCode 成熟的插件体系和丰富的生态系统，解决现有方案普遍存在的如下问题：
- 资源调用和 IT 基础设施支持困难
- Agent 之间任务流转不够顺畅
- AI 代理缺乏清晰的知识库结构和权限管理
通过以 VSCode 为基础，Aether 可复用现有开发工具与终端环境，极大降低落地门槛。
Aether 借鉴现实团队角色划分，定义了以下角色：
- 项目经理 (PM)：接收外部请求，任务分解与资源调配。
- 财务负责人 (CFO)：负责成本审计与资源调用优化。
- IT 负责人 (IT Manager)：通过 Docker 等工具管理 AI 运行环境。
- 数据分析师 (Data Analyst)：负责数据搜索与初步分析。
- 文案员 (Content Writer)：整合分析数据，生成内容或方案。
- 审核员 (Reviewer)：审查最终方案与成果，确保质量。
Aether MVP 的明确目标是实现一个 VSCode 插件，具备以下能力：
- ✅ 创建 VSCode 插件
- ✅ 插件可以调用 VSCode 终端 API
- ✅ 插件可以调用 VSCode 任务 API
- ✅ 插件可以启动与管理 Docker 容器（Agent运行环境）
- ✅ 接入 AI 模型或工具（如 Cline、Cursor、Copilot）
- ✅ 支持 AI Agent 在 VSCode 内执行自动化任务
- ✅ 提供任务执行日志与直观的 UI 反馈
- 基于 VSCode 插件生态：深度复用现有工具体系，快速构建完整的 AI Agent 环境。
- 角色仿生与协作机制：仿造真实世界的职能与工作流程，提升 Agent 协作效率。
- 知识库与权限管理：多层级、动态知识库设计，提升检索准确性与权限区分。
- Prompt 优化代理 (PLA)：集中优化全局 Prompt，提升AI理解能力和效果。
Aether 插件架构：
aether-vscode/
├── src/
│ ├── extension.ts # 插件入口
│ ├── terminalController.ts # VSCode 终端管理
│ ├── taskManager.ts # 任务管理与调度
│ ├── dockerController.ts # Docker 容器控制
│ └── uiPanel.ts # 用户界面与日志反馈
├── package.json # 插件元数据
├── tsconfig.json # TypeScript配置
├── README.md # 项目说明
└── .vscodeignore # VSCode发布忽略文件
| 阶段 | 任务 | 优先级 |
|---|---|---|
| 1 | 初始化 VSCode 插件框架 | ✅ 高 |
| 2 | 实现终端与任务管理 | ✅ 高 |
| 3 | Docker 容器集成 | ✅ 中 |
| 4 | AI Agent任务调度 | ✅ 中 |
| 5 | UI界面与任务反馈 | ✅ 低 |
- Docker集成权限问题：确保Docker API调用权限足够
- 任务状态管理：清晰定义任务生命周期（启动、运行、完成、失败）
- Agent 间通信机制：使用明确的消息传递或API调用模式
- 未来Web端适配：注意 VSCode Web API 的兼容性，避免过多依赖桌面端特有功能
- 知识库设计：确保多层级、动态更新与权限管理的有效性
- 立即进入插件基础开发阶段
- 确保任务管理与Docker环境稳定运行
- MVP阶段结束后进行功能扩展与Web端迁移准备
本文档针对 Cursor 提供的反馈，对 Aether MVP 开发补充必要的细节说明，确保开发阶段有明确的指导和依据。
- 步骤一：项目经理 (PM) 接收用户请求，理解任务，拆分并分配给相应的 Agent：
| 任务拆解 | 涉及 Agent | 任务说明 |
|---|---|---|
| 环境准备 | IT Manager | 启动 Docker 环境，部署代码分析工具 |
| 数据分析 | 数据分析师 | 使用环境抓取并分析 GitHub 仓库数据 |
| 内容生成 | 文案员 | 根据分析报告撰写周报 |
| 质量审核 | 审核员 | 审核并确认最终周报质量 |
-
步骤二：IT Manager 使用 Docker 启动容器，部署并配置数据分析环境。
-
步骤三：数据分析师 通过环境获取 GitHub 数据，执行数据分析任务，生成原始数据报告。
-
步骤四：文案员 根据分析师提供的数据报告，撰写出结构清晰、易读易懂的周报文档。
-
步骤五：审核员 审核周报文档的质量，确认后输出最终结果。
-
开发环境：
- VSCode 插件开发环境（Node.js, npm/yarn, TypeScript）
- 用户端需预装 Docker 环境
- 推荐使用 SQLite 或 JSON 存储 Agent 状态和任务历史
-
AI 接入方式：
- 调用 OpenAI、Claude 等模型 API
- API Key 由用户自行提供与管理
{
"taskId": "unique-task-id",
"sourceAgent": "ProjectManager",
"targetAgent": "DataAnalyst",
"payload": {
"action": "fetch-analyze-data",
"data": {
"repoUrl": "https://github.com/example/repo",
"reportType": "weekly"
}
},
"status": "pending",
"timestamp": "2025-03-09T10:00:00Z"
}pending → running → (completed | failed)
任务失败时，由项目经理 (PM) 决定重试或终止任务。
- 使用 SQLite 或 JSON 文件存储：
- agents.json 存储 Agent 状态、历史任务 ID
- tasks.json 存储任务详细信息和状态日志
- 知识库以 Markdown 文件形式组织，便于 AI 检索和引用。
- Agent 状态面板（实时状态显示）
- 任务管理面板（任务列表、启动、监控、日志查看）
- 任务进度显示
- Agent 日志输出窗口
- 操作按钮（重试、停止、查看详情等）
步骤 内容说明 预计用时 1 完成 2 个用户故事详细描述 1-2 天 2 明确 Agent 通信协议及状态机 2-3 天 3 细化技术环境与 API 细节 1 天 4 快速绘制 UI 线框图 1-2 天 5 制定基础测试策略 1 天