ldbumble/taskuary · 上手攻略

  • 仓库：ldbumble/taskuary
  • 链接：https://github.com/ldbumble/taskuary
  • 分类：ai · productivity · local-first
  • 作者：Tom
  • 更新：2026-08-23

是什么

Taskuary 是一个本地优先的 AI 任务中枢，把邮件（Outlook）、协作平台（Teams、Slack）以及 GitHub Issues 的消息汇聚到同一个时间线，由 AI 做预分类（triage），识别出哪些是真正需要处理的工作，再把任务分发给你已有的 Coding CLI（Claude Code、Codex、Gemini、Cursor、Copilot 等），由 AI 执行后回传草稿供你审批。所有操作都在本地机器完成，不上云，除非你主动配置外发调用。

核心定位：消除"翻译层"消耗——人每天在"读消息→判断意义→开 ticket→做事→回复"的头尾两步消耗大量精力，Taskuary 把这两端自动化，留给你真正需要判断力的事。

解决什么问题

  • 消息来源碎片化：邮件、Slack、Teams、GitHub 各一套 UI，重要信息淹没在通知里。
  • AI Agent 缺乏入口：Claude Code / Codex 等 CLI 工具只能被动等待指令，无法主动感知外部工作流。
  • 审批闭环缺失：AI 生成的结果直接生效存在风险，Taskuary 要求所有操作经人工 approve 才执行。
  • 记忆持续性：每次给 verdicts（approve/reject）都会教 AI 你的偏好，形成可追溯的 learned.md 学习记录。

快速安装

依赖：Python 3.10+，已有 Coding CLI（Claude Code / Codex / Gemini 等）

# 标准安装
pip install git+https://github.com/ldbumble/taskuary

# 启动 Web UI
taskuary
# 打开 http://127.0.0.1:7787

# 桌面版（独立窗口）
pip install "taskuary[desktop] @ git+https://github.com/ldbumble/taskuary"
taskuary-desktop

⚠️ Python 3.10 以下不支持；Windows/macOS/Linux 均可；桌面版预编译 exe 附在每个 CI run 的 artifacts 里（GitHub Actions 页可下载）。

核心用法

1. 配置连接器（Connectors）

在 Web UI → Connectors 页面，每个接入耗时 1-2 分钟：

  • AI：粘贴 Anthropic / OpenAI / Azure OpenAI / OpenRouter API Key；也可以不填，用本地 Ollama 跑一个小模型做 triage，昂贵模型留给 step 3（任务执行）。推荐用小模型做 triage，省成本。
  • 频道：Outlook（邮件）、Teams 或 Slack 任选其一；接入后消息实时出现在 Timeline。
  • Coding CLI：选一个预设（Claude Code / Codex / Gemini / Cursor / Copilot），保存并测试；建议配置 GitHub PAT 以自动发现仓库。
  • Reports（可选）：连接 SQL Server / SQLite / MCP / REST / RSS，设定定时查询，AI 总结后出现在 Timeline。

2. Timeline 时间线

所有接入的消息按天分组，每行显示消息来源渠道（邮件/Teams/Slack 等）和 AI 判定的类型标签（chip）。点击一行可以看到完整消息正文（含附件），以及所有可执行的操作：

  • Approve 草稿回复：AI 根据消息内容生成回复草稿，你审批后直接发送。
  • Send to Coding Agent：把任务转给配置的 Coding CLI，进入 Board。
  • Not our task：标记为"不归我管"，立即写入 AI 学习记忆，下次同类发件人直接过滤。
  • Merge / Split：合并或拆分任务。

3. Board 看板

Coding Agent 的任务状态看板，四列：

  • Queued：排队中
  • Working：正在执行（显示实时文件修改 peephole）
  • Waiting on you：等待审批（任务完成后 AI 写好报告和草稿回复，等你过目）
  • Done：已完成

当一个 agent 在运行时，Working 列卡片显示其修改过的文件列表；多个 agent 操作同一仓库时会自动排队，不冲突（详见仓库路由规则）。

4. Tasks 任务页

进入 Coding CLI 的终端界面，Taskuary 自动注入上下文：

  • 当前任务对应的仓库和分支（从 mail/repo 映射关系决定）
  • Prompt 携带消息原文、相关文件内容和你的 SOUL.md 规则
  • AI 无需重新拉取上下文，Prompt 里已包含全部信息
  • 完成后 AI 自动写报告并起草回复，你只需审批

5. AI 学习记忆（Learning Loop）

每次 approve/reject 都是一次反馈，存储在 LEARNED.md 里，格式示例：

- John drops greetings and signs off in one word. [s:4 | ev:rv12,rv15,rv31 | seen:2026-08-19]

s:N 是分数（2 分起，approve +1 分，reject −1 分，≥4 分规则升级为常驻规则，=0 分自动删除）；ev: 是 verdict 收据；seen: 是最后确认有效的日期。两条安全线：

  1. 自动升级为"静默过滤"规则前需要你明确确认，不会自动隐藏消息。
  2. SOUL.md 里你写的规则优先级最高，AI 永远不能覆盖。

6. 报告（Reports）

连接数据源（SQL / REST / MCP 等）后，用 AI prompt 设定查询逻辑，定期自动运行，结果以 Excel + 柱状图形式出现在 Timeline。内置 Morning Digest 模板，展示你自己业务漏斗的每日简报。

典型适用场景

  • 开发者日常：大量来自 Slack/邮件的技术问题需要判断是否值得开 ticket，Taskuary 自动过滤噪音，真实任务直接进 Claude Code 处理。
  • 个人效率极客：希望把 AI 变成真正的第二大脑，能记住"某某的联系人不应该在工作时间打扰"这类个人规则。
  • 小团队工作流：没有预算上 Zendesk / Linear 等平台，用 Taskuary + GitHub 搭一个轻量 AI 客服层。
  • 多语言/多渠道运营：一个人管邮件+Slack+Teams 三个渠道，Timeline 统一收口，Reply Draft 避免跨平台切换。

坑与注意

坑点 说明
无 API Key 时用 Ollama 不填 AI Key 不会报错，但需要本地跑 Ollama 并配置，否则 triage 不可用
Claude Code 等 CLI 需已安装 Taskuary 只做路由，不负责安装 Claude Code / Codex 等工具；未安装时 Board → Queued 卡住
单 brain 模式成本高 把 Triage brain 也设成 Coding CLI（同一个模型），每次消息都走同一个模型，成本和延迟双高
Learned.md 误删 删除某行 = 抹掉对应学习记录，不会警告；建议定期备份
私有数据本地存储 所有消息存在本地 SQLite，但 Connector（邮件/Teams）认证 token 需妥善保管
Windows 桌面版稳定性 预编译 exe 稳定性尚未经过大规模验证，生产环境建议用 pip 安装 + 手动启动
多 agent 仓库路由 文档提到"多 agent 不抢同一 repo"但具体路由算法未完全公开，需要看源码确认

与同类对比

工具 定位 优势 劣势
Taskuary 消息→Coding Agent 本地路由 本地优先、记忆系统、多渠道汇聚、AI 审批闭环 依赖配置、CLI 需自行安装
AutoGPT / BabyAGI 通用 AI Agent 框架 纯 Python、入手简单 无消息入口、不支持审批流、记忆弱
Zapier / Make 工作流自动化 生态成熟、无代码 无 AI 判断层、不支持 Coding Agent
LangGraph AI 工作流编排 高度可定制、状态管理强 定位是框架非产品，面向开发者
Mem AI 个人知识管理 文档理解强 无消息入口、无 Agent 执行能力

Taskuary 的核心差异在于本地审批流 + Coding Agent 直接执行，而非单纯的自动化或知识整理。它适合已有 Claude Code 等工具、愿意花时间配置个人工作流的开发者。

一句话推荐结论

如果你每天在消息→判断→开 ticket→执行→回复的循环里消耗大量精力，Taskuary 把这个闭环的"翻译层"自动化，让 AI 替你做入口过滤和结果审批，留给你真正需要判断力的事——值得花 20 分钟配置试试。