任务驱动智能体是一种以“任务”为基本调度单元的系统，它不会一次性规划全部路径，而是根据当前已完成的结果动态生成下一步要做什么。BabyAGI正是这类思想的极简实现：它维护一个待办任务列表，每次取出优先级最高的任务交给语言模型去执行，再把执行结果和衍生出的新任务写回列表。在Node.js里，由于事件循环天然适合处理大量异步IO，我们能用很少的依赖把这个闭环跑起来。
核心循环与任务队列的设计
BabyAGI的运转依赖三个基础函数：获取任务、执行任务、创建任务。获取任务时，系统从存储中按优先级字段排序，取出队首任务。执行任务通常调用大模型完成摘要、分类或具体文本生成。创建任务则是把大模型返回的新子目标持久化。Node.js中可以用一个普通数组加排序来模拟，但在真实场景更推荐用支持向量检索的库，例如内存版的llmemory或接Redis。
下面这段示例代码展示了任务队列的最简结构。我们用一个全局数组保存任务对象，每个对象包含id、content和priority。虽然生产环境需要并发控制，但这里先聚焦逻辑清晰：
// 任务队列基础结构
let taskList = [];
let taskId = 0;
function addTask(content, priority = 1) {
taskList.push({
id: ++taskId,
content: content,
priority: priority
});
}
function getTopTask() {
taskList.sort((a, b) => b.priority - a.priority);
return taskList.shift();
}
function createTasksFromResult(resultText) {
// 假设模型返回了以换行分隔的新任务
resultText.split('n').forEach(line => {
if (line.trim().length > 0) {
addTask(line.trim(), 1);
}
});
}
这种设计的优势是足够直观，任何调试者都能在控制台打印taskList看清系统“在想什么”。但它也有明显缺点：数组排序在任务量巨大时性能下降，并且进程重启会丢失全部状态。因此在Node.js部署时，应当把任务列表迁到外部存储，并利用setInterval或node-cron做心跳检查，防止某次执行异常导致整个循环卡死。
大模型调用与上下文注入方式
执行任务阶段，BabyAGI会把“任务描述”和“已完成的任务记忆”拼成提示词送给模型。上下文注入有两种常见做法：其一是仅发送当前任务与最近N条历史；其二是先把历史做向量化，检索最相关的片段再组装。Node.js侧调用OpenAI接口非常方便，使用openai官方包即可，但要注意超时与重试，因为网络抖动会让智能体“发呆”。
以下代码演示了如何把任务与简单记忆发给模型并解析返回。我们在prompt中明确告诉模型“只输出下一步任务”，从而降低后续解析难度：
const OpenAI = require('openai');
const client = new OpenAI({ apiKey: process.env.OPENAI_KEY });
async function runTaskWithModel(task, memory) {
const prompt = `当前任务：n${task.content}nn已有记忆：n${memory.join('n')}nn请执行该任务，并给出新的待办事项，每行一个：`;
const res = await client.chat.completions.create({
model: 'gpt-3.5-turbo',
messages: [{ role: 'user', content: prompt }]
});
return res.choices[0].message.content;
}
上下文过长会抬高延迟和费用，所以很多Node.js实现会限制memory数组长度，比如只保留最近五个结果。若引入向量检索，可用@xenova/transformers在本地跑嵌入模型，避免每次都调远程接口。这样即便在离线服务器上，智能体也能依靠本地算力完成基础任务拆解，只是生成质量受限于小模型规模。
异步调度与业务集成实践
Node.js的事件循环让我们可以把“取任务-执行-写回”放到async函数里，用await控制节奏。为了避免任务堆积，应当设置最大并发数，例如同时只跑两个任务，其余留在队列。另一个关键是错误隔离：单个任务抛异常不能中断主循环，需要用try-catch包裹执行逻辑，并把失败任务降级或标记。
将BabyAGI接入业务时，可以把“初始任务”设为“分析今日订单异常”，模型执行后产出“查物流接口”“汇总退款单”等子任务，Node.js端再用axios去调内部API完成动作。下面示例展示主循环骨架：
async function mainLoop() {
while (true) {
const task = getTopTask();
if (!task) {
await new Promise(r => setTimeout(r, 2000));
continue;
}
try {
const memory = taskList.map(t => t.content).slice(0, 5);
const out = await runTaskWithModel(task, memory);
createTasksFromResult(out);
} catch (e) {
console.error('任务失败', task.id, e.message);
}
}
}
addTask('分析今日订单异常', 10);
mainLoop();
上述代码在单机即可验证智能体行为。若部署到服务器，建议用pm2守护进程，并给OPENAI_KEY等敏感信息走环境变量。相比于传统基于固定脚本的自动化，BabyAGI类方案能应对未预设的状况，比如模型发现“退款单突增”后自主添加“通知运营”任务。缺点则是结果不可完全预期，需要在关键节点加人工审核接口，防止智能体在错误方向上空转消耗资源。