Agentic Task Manager：基于工具调用 Agent 的智能任务管理系统

本项目展示了一个使用 Python、SQLite 和工具调用 Agent 构建的 AI 驱动任务管理系统，支持自然语言交互、任务生命周期管理和 LLM 驱动的工作流。

Agentic Task Manager 是一个开源的 AI 驱动个人任务管理系统，采用 Python 和 SQLite 构建，核心特色是深度集成大语言模型的工具调用能力。用户可以通过自然语言与系统进行交互，完成任务的创建、更新、完成追踪等全生命周期管理，无需记忆复杂的命令语法。

项目采用清晰的分层架构设计：

数据层：使用 SQLite 作为持久化存储，轻量且无需额外配置，适合个人本地部署。数据模型涵盖任务的基本属性（标题、描述、截止日期、优先级、状态等）以及标签和分类信息。

业务逻辑层：封装任务管理的核心操作，包括 CRUD、状态流转、优先级调整等。该层保持与具体 LLM 实现的解耦，便于扩展和测试。

Agent 层：这是系统的智能核心。通过定义一组工具函数（如 create_task、update_task、list_tasks、complete_task 等），让 LLM 能够根据用户的自然语言输入自主决定调用哪些工具来完成意图。

交互层：提供命令行或 API 接口接收用户输入，并将 Agent 的执行结果反馈给用户。

项目的核心创新在于采用「工具调用」（Tool Calling）模式与 LLM 交互。具体流程如下：

1. 工具定义：系统预先定义一组工具函数，每个工具都有明确的名称、描述和参数模式（JSON Schema）。

2. 上下文注入：当用户输入自然语言指令时，系统将所有可用工具的描述注入到对话上下文中。

3. 意图识别：LLM 分析用户输入，判断需要调用哪些工具，并生成结构化的函数调用请求。

4. 本地执行：系统在本地安全地执行被调用的工具函数，操作 SQLite 数据库。

5. 结果反馈：将执行结果返回给 LLM，由其生成自然语言的回复呈现给用户。

这种模式的优势在于 LLM 不直接操作数据库，而是通过受控的 API 进行交互，既保证了安全性，又保留了自然语言交互的便利性。

任务状态采用状态机模型管理，典型的状态流转包括：

• 待办（todo） → 进行中（in_progress）：用户开始处理任务
• 进行中（in_progress） → 已完成（completed）：任务完成
• 任意状态 → 已归档（archived）：任务不再需要追踪

状态转换通过专门的工具函数实现，Agent 能够理解用户的隐式意图并触发相应的状态变更。

系统能够处理各种自然语言表达方式：

• 模糊时间表达：「明天」、「下周三」、「三天后」
• 优先级描述：「紧急」、「重要」、「低优先级」
• 状态描述：「我完成了 X」、「开始处理 Y」、「暂停 Z」
• 复合指令：「创建一个高优先级任务，标题是准备会议材料，截止明天下午」

支持完整的任务生命周期管理：

• 创建任务：通过自然语言描述自动提取关键信息
• 更新任务：修改标题、描述、截止日期、优先级等属性
• 查询任务：按状态、优先级、标签、时间范围筛选
• 完成任务：标记完成并记录完成时间
• 删除/归档：清理不再需要追踪的任务

• 上下文感知：Agent 能够记住对话历史，支持多轮交互
• 意图推断：即使用户表达不完整，也能推断出合理意图
• 澄清提问：当输入存在歧义时，主动询问以明确需求
• 建议生成：基于任务历史和当前状态，主动提供管理建议