☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
如果您向qclaw下达一项涉及多个环节的复杂任务，例如“从网页抓取招标公告→提取关键条款→比对历史合同模板→生成风险提示文档并保存至指定文件夹”，系统需在执行中维持步骤连贯性、状态可追溯、异常可中断。以下是实现该目标的具体实践路径：
一、启用任务编排模式并设定阶段锚点
QClaw默认以线性方式执行指令，但多步骤任务需显式定义阶段边界与中间状态标识，防止模型因上下文膨胀导致步骤混淆或跳步。启用编排模式后，系统将为每个子任务分配唯一阶段ID，并在执行前校验前置依赖是否完成。
1、在微信对话框中发送指令时，在任务描述末尾添加结构化标记：[STAGE:1]获取原始数据；[STAGE:2]解析文本；[STAGE:3]比对模板；[STAGE:4]生成报告。
2、进入QClaw主界面，点击右上角齿轮图标，选择“高级执行设置”，勾选“启用阶段化任务编排”与“强制状态校验”。
3、确认配置后，系统将自动生成带阶段编号的任务图谱，并在每阶段执行完毕后向微信推送含stage_id与status=completed的轻量状态包。
二、配置中间产物持久化与断点续传机制
多步骤任务执行过程中，任一环节失败可能导致全量重跑。通过将各阶段输出结果自动落盘并绑定阶段ID，可实现失败后仅从断点恢复，避免重复消耗算力与网络资源。
1、在“模板管理”中新建一个JSON格式的持久化配置模板，字段包含：{"stage_id":"2","output_type":"text","save_path":"%USERPROFILE%\QClawCache\stage2_parsed.txt","auto_version":true}。
2、将该模板关联至当前任务，在QClaw执行至第二阶段时，自动将解析后的条款文本写入指定路径，并附加时间戳与哈希校验值。
3、若第三阶段因网络中断失败，再次发起相同任务时，系统检测到stage2_parsed.txt存在且校验通过，将跳过前两阶段，直接加载该文件作为第三阶段输入。
三、部署状态监听Webhook并接入本地看板
QClaw原生支持HTTP回调，可将每个阶段的状态变更（如start/running/completed/failed）实时推送到用户自建的轻量服务端，用于构建可视化进度追踪看板，满足团队协同或审计留痕需求。
1、启动本地Python简易服务：运行python -m http.server 8000，并在根目录下放置接收脚本webhook_handler.py，监听/qclaw/status端点。
2、进入QClaw设置页的“通知与集成”，填写Webhook URL为http://127.0.0.1:8000/qclaw/status，选择触发事件为“阶段状态变更”。
3、每次阶段切换时，QClaw推送包含task_id、stage_id、timestamp、status和duration_ms的JSON数据，本地服务将其存入SQLite数据库并更新前端图表。
四、启用人工干预插槽与条件分支策略
部分任务需在特定阶段等待人工确认（如法律条款审核），或依据中间结果动态调整后续路径（如金额超阈值则触发审批流）。QClaw允许在编排流程中嵌入交互节点与条件判断逻辑，使自动化具备可控弹性。
1、在任务指令中插入条件标记：[IF:stage2_output.contains('违约金>50万') THEN:trigger_approval_flow ELSE:continue_to_stage4]。
2、在QClaw技能市场安装“条件路由Skill”，启用后系统解析该标记，并在第二阶段输出生成后自动匹配规则。
3、当检测到违约金数值超标，QClaw暂停执行，向微信推送待办卡片，内含“同意直签”与“转交法务”两个按钮；用户点击后，对应动作被编码为approval_decision=legal_review并注入下一阶段上下文。
五、启用执行日志结构化归档与关键词索引
长周期多步骤任务产生的日志易混杂冗余信息，难以定位某次失败的具体原因。通过开启结构化日志归档，QClaw将每阶段的操作动作、调用工具、返回码、耗时及关键变量抽取为标准字段，支持按关键词快速检索。
1、在“日志设置”中启用“结构化归档”，选择归档路径为%APPDATA%\QClaw\logs\structured，格式设为JSONL（每行一个JSON对象）。
2、执行任务后，系统生成类似以下条目：{"stage":"3","tool":"doc_compare_v2","exit_code":0,"elapsed_ms":1248,"key_terms":["不可抗力","终止条款","管辖法院"]}。
3、使用命令findstr /s "exit_code:1" *.jsonl即可批量定位所有失败阶段，再结合key_terms字段快速识别语义层面偏差源。
