Claude Code 的任务列表是怎么实现的

1. CLI 看到的任务列表是怎么样的

Claude Code CLI 里的任务列表，是当前请求的进度视图。它通常由多条任务项组成，每条任务项对应一个可以被跟踪的步骤。

一个典型任务列表可以理解成这样：

text 复制代码

□ 修改登录错误提示
□ 补充登录错误提示测试

当模型开始处理第一项时，状态会变化：

text 复制代码

◐ 修改登录错误提示
□ 补充登录错误提示测试

第一项完成后，又会变成：

text 复制代码

✓ 修改登录错误提示
□ 补充登录错误提示测试

所以在单 Agent CLI 会话里，用户看到的不是一个后台任务调度队列，而是一份当前请求的结构化进度记录。它表达三个核心信息：

信息	含义
任务标题	当前请求被拆成了哪些步骤
任务状态	每一步是待处理、进行中还是已完成
当前进度	模型现在推进到哪一步

任务状态一般可以抽象成三类：

text 复制代码

pending       待处理
in_progress   进行中
completed     已完成

这份任务列表的作用是让复杂请求变得可跟踪。它不直接修改代码、不运行命令，也不自动推进下一步；它只是保存"模型认为当前工作应该如何完成"的进度状态。

这篇文章只讨论单个 Claude Code CLI 会话里，模型如何通过任务工具维护用户看到的任务列表。团队协作、swarm、external tasks mode 里的共享任务队列、任务认领和跨进程调度不在本文范围内；那些场景会复用同一套任务数据结构，但职责比这里讲的单 Agent 进度视图更宽。

2. 任务列表是如何生成和更新的

任务列表由模型通过任务工具维护。模型不是在脑子里默默记住进度，而是通过工具把进度写成结构化状态。

这里的任务工具不是用户在终端里手动输入的 CLI 命令，而是模型在一次请求执行过程中可以调用的内部工具。CLI 里看到的列表，是这些工具读写后的任务状态再被界面渲染出来的结果。

这套工具可以分成四类。

工具	作用
`TaskCreate`	创建一个新的任务项，写入标题、描述、状态等字段
`TaskUpdate`	更新任务项，例如标记进行中、标记完成、修改描述、设置依赖
`TaskList`	查看当前任务列表摘要
`TaskGet`	查看某个任务的完整详情

一个复杂请求进来后，模型会先判断是否需要拆分。如果需要，它会调用 TaskCreate 创建任务项。创建出来的任务默认是待处理状态。

例如用户说：

text 复制代码

帮我修改登录错误提示，并补一个测试。

模型可能创建两个任务：

text 复制代码

#1 修改登录错误提示
#2 补充登录错误提示测试

接下来模型开始处理第一个任务，就调用 TaskUpdate 把它标记为 in_progress。修改完成并确认结果后，再调用 TaskUpdate 把它标记为 completed。

如果模型需要重新确认当前还有哪些任务，可以调用 TaskList。如果某个任务的摘要不够，需要读取完整描述，可以调用 TaskGet。

这几个工具共同完成一件事：让模型能够生成、读取和更新任务列表状态。

但这些工具本身不负责判断"代码是否真的改好了"，也不负责判断"现在是否该继续下一项"。这些判断仍然由模型根据工具返回结果来完成。

更细一点看，TaskCreate 会把新任务写成 pending 状态，并保存 subject、description、activeForm、metadata 等字段；TaskUpdate 会按任务 ID 读取现有任务，再合并要修改的字段，比如 status、owner、blocks、blockedBy；TaskList 只返回列表页需要的摘要信息；TaskGet 才返回单个任务的完整描述和依赖关系。

任务列表的维护过程可以概括成：

text 复制代码

创建任务项
  -> 标记当前任务进行中
  -> 执行实际工作
  -> 根据结果更新任务状态
  -> 必要时读取任务列表决定下一步

2.1 任务状态如何持久化

在实现层，任务列表不是只存在于模型上下文里的自然语言文本，而是落到本地 JSON 文件里的结构化状态。

任务会写到配置目录下的 tasks 子目录中，路径为：

text 复制代码

<claude-config-home>/tasks/<taskListId>/<taskId>.json

每个任务对应一个 JSON 文件。一个任务对象大致可以理解成这样：

json 复制代码

{
  "id": "1",
  "subject": "修改登录错误提示",
  "description": "把登录失败时的提示改得更清楚",
  "activeForm": "修改登录错误提示",
  "status": "in_progress",
  "blocks": [],
  "blockedBy": [],
  "metadata": {}
}

创建任务时，系统会在任务列表级别加锁，读取已有任务文件和 .highwatermark，计算下一个任务 ID，然后写入新的 <taskId>.json。.highwatermark 用来记住曾经分配过的最大 ID，避免任务被删除或列表 reset 后复用旧 ID。

更新任务时，系统会先确认任务文件存在，再对单个任务文件加锁，读取 JSON、合并字段、重新写回。这样做的目的不是让任务工具替模型决策，而是让任务状态成为一份模型可以反复读写、CLI 可以稳定渲染、长流程中也可以重新取回的外部进度记录。

3. 从用户输入到任务完成，发生了什么

用一个具体例子来看完整流程。

用户输入：

text 复制代码

帮我修改登录错误提示，并补一个测试。

模型会把这个请求拆成两个任务：

text 复制代码

#1 修改登录错误提示
#2 补充登录错误提示测试

然后模型按顺序推进：先修改实现，再补测试，最后汇总结果。

这张图里有几个关键点：

模型先理解请求，再决定是否拆成任务；不是所有请求都会生成任务列表。
TaskCreate 只负责新增单个任务，所以两个任务对应两次创建。
TaskUpdate 负责推进状态：设为进行中、设为已完成。

3.1 任务列表和 Agent loop 的关系

任务列表经常让人误以为：只要里面还有未完成任务，Claude Code 就会自动继续执行。

要解释这个误解，先要看 Agent loop 是什么。一次请求不会只经历"模型回答一次"这么简单；更接近真实情况的是：模型先根据当前上下文决定下一步，如果它需要动作，就发出工具调用；CLI 执行工具，把结果收集回来，再和已有上下文一起交给模型，让模型继续判断下一步。

在这个循环里，任务列表只是可被模型调用和读取的一类工具状态，和读文件、改文件、运行命令一样，都属于模型可以借助的外部能力。它能影响模型判断，但不是 Agent loop 的驱动器。

Agent loop 的基本关系可以理解为：

text 复制代码

模型决定下一步
  -> 如果需要动作，就发出工具调用
  -> Claude Code CLI 执行对应工具
  -> 工具结果被收集起来
  -> 组装成下一轮模型上下文
  -> 模型再次决定下一步

对应到源码里的核心分支，可以抽象成下面这段伪代码：

ts 复制代码

while (true) {
  const response = await llm.chat(messages)  // 想：让模型决定下一步

  if (response.toolCalls.length === 0) {
    break  // 模型认为任务完成了，没有工具要调
  }

  for (const toolCall of response.toolCalls) {
    const result = await executeTool(toolCall)  // 做：执行工具
    messages.push(result)                        // 看：把结果加入上下文
  }
}

这段伪代码省略了错误恢复、上下文压缩、stop hook 等旁支，只保留和任务列表最相关的主线。

在这个循环里，任务列表工具只负责一件事：维护进度状态。

所以，在单 Agent 主循环里，任务列表不是 Agent loop 的驱动器，也不是后台调度器。它不会因为还有 pending 任务就自动触发下一步。

真正决定 Agent loop 是否继续的是：模型下一次输出的是工具调用，还是最终回复。

如果模型看到任务列表里还有未完成项，并决定继续处理，它会继续发出工具调用；如果模型认为事情已经完成，就会输出最终回复，Agent loop 也就结束。

3.2 如何判断是否有未完成的任务

任务列表里是否还有未完成任务，可以通过任务状态判断。

只要还有 pending 或 in_progress，就说明任务列表里仍然存在未完成项：

text 复制代码

#1 completed
#2 in_progress

这表示第一项完成了，第二项还在进行。

但这个判断本身有两种用途:

用于展示层。CLI 可以根据任务状态决定任务列表是否还需要展示、是否还需要继续监听变化、是否可以在全部完成后隐藏。
间接辅助模型决策

需要强调的是，执行层并不是这样工作的：

text 复制代码

if 还有未完成任务:
    自动继续 Agent loop

真实情况并不是这样。更准确地说，任务列表状态会进入模型上下文，影响模型下一步输出；但 Agent loop 真正检查的是模型下一次响应里有没有工具调用。

也就是说，"是否继续"不是任务列表自己决定的。如果模型看完上下文后继续输出工具调用，Agent loop 就继续；如果模型没有输出工具调用，而是输出最终回复，Agent loop 就结束。

长上下文下模型忘记进度或产生幻觉怎么办

极端情况下，上下文很长，模型可能不再清楚当前任务列表的最新状态。比如它创建过两个任务，完成了第一个，但后续经过很多轮工具调用后，模型可能误以为第二个也已经处理完，或者忘记把第二个任务标记为进行中。

Claude Code 对这种情况有一个补偿机制：任务状态提醒。它的目的不是判断上下文够不够长，而是在长流程里定期把结构化任务状态重新放回模型视野，降低模型凭记忆猜进度的概率。

当系统发现模型已经有一段时间没有维护任务列表时，会把当前任务列表重新放回上下文，提醒模型检查进度。这里的"一段时间"不是按现实时间计算，也不是按上下文长度直接触发，而是按模型响应轮次计算：如果距离上次 TaskCreate / TaskUpdate 已经经过足够多轮，同时距离上次提醒也经过足够多轮，就可以生成一次 task_reminder。

这个补偿发生在 Agent loop 的中间位置：工具执行完成之后、下一轮模型调用之前。

更具体地说，一轮模型输出工具调用后，Claude Code 会先执行这些工具，并把工具结果收集起来。随后系统会检查是否需要补充上下文附件；如果满足任务状态提醒条件，就生成一条任务提醒附件，把当前任务列表放进去。最后，Claude Code 再把工具结果和这些附件一起组装进下一轮上下文，发起下一次模型调用。

继续用上一节的伪代码看，它不是在任务刚创建时立即提醒，也不是在最终回复之后提醒，而是在这里补偿：

ts 复制代码

while (true) {
  const response = await llm.chat(messages)  // 想：让模型决定下一步

  if (response.toolCalls.length === 0) {
    break  // 模型认为任务完成了，没有工具要调
  }

  for (const toolCall of response.toolCalls) {
    const result = await executeTool(toolCall)  // 做：执行工具
    messages.push(result)                        // 看：把结果加入上下文
  }

  // 补偿点：工具调用完成后、下一轮模型调用前。
  // 系统会在这里检查是否需要补充 task_reminder，
  // 再把提醒一起放进下一轮上下文。
}

这个提醒大致起到这样的作用：

text 复制代码

当前还有任务列表状态。
如果这些任务仍然和当前工作相关，请考虑更新它们。

它不会替模型完成判断，也不会强制模型继续执行。它只是把任务进度重新放回模型视野，让模型少依赖模糊记忆，多依赖刚刚注入上下文的结构化状态，从而降低长上下文中忘记进度或凭空补全进度的概率。

所以长上下文下的处理方式可以概括为：

text 复制代码

任务列表保存状态
工具执行完成后，系统在进入下一轮模型调用前重新提醒
模型重新看到状态后决定是否继续或更新

4. 总结

Claude Code 的任务列表实现，关键不在于"列出几个待办"，而在于把任务进度从模型脑海里的临时判断，变成一份可以被创建、更新、读取的结构化状态。

这样做有三个直接结果。

第一，任务进度变得可见。CLI 能把当前有哪些任务、做到哪一步、哪一项正在进行中，稳定地展示给用户，而不是完全依赖模型临时生成一段自然语言说明。

第二，任务进度变得可操作。模型不是只能"记得自己做到哪"，而是可以通过 TaskCreate、TaskUpdate、TaskList、TaskGet 明确地创建任务、推进状态、重新读取现状。这样任务列表就不只是显示层，而是 Agent loop 里可被模型反复使用的一份外部状态。

第三，任务进度变得可恢复。随着上下文变长，模型未必始终清楚当前还剩哪些任务；但因为任务列表已经被工具写成了结构化记录，Claude Code 就可以在合适的时候把它重新注入上下文，提醒模型恢复对当前进度的视野。

因此，这套机制的分工其实很清楚：

任务列表：保存结构化进度
任务工具：负责创建、更新、读取这份进度
模型：基于当前上下文的进度决定下一步
Agent loop：负责执行工具调用，并把结果推进到下一轮上下文

用一句话收束就是：

text 复制代码

任务列表把进度状态显式保存起来；长流程中多轮未维护任务工具时，系统还会把当前任务列表重新注入上下文；模型结合整体上下文决定下一步，Agent loop 负责执行模型产出的工具调用。

更多 AI 工程、Agent 和技术实践相关内容，欢迎关注公众号。