自然语言驱动
用中文描述排班要求，例如跳过周末、某人请假、补值优先或指定区域人数。
独立运行的 AI 值日排班客户端
让复杂值日规则，变成可靠的排班结果。
Duty-Agent 面向真实班级与团队值日场景。你可以用自然语言描述规则、请假、补值日、免除值日、区域人数和临时调整； 系统会把花名册、历史状态和长期规则整理进上下文工程，再交给 AI 推理，并由本地代码完成校验、状态更新和结果落地。
Input自然语言驱动
Memory长期状态记忆
Context上下文工程
Execution代码兜底执行
Optional平台联动
不只是“随机抽几个人”
真实排班很少是简单轮换。有人请假，有人需要补值，有人本次可以免除值日，不同区域还可能有不同人数要求。 Duty-Agent 把这些变化沉淀成长期状态，并在每次排班前汇入上下文工程。
长期状态记忆
花名册、历史安排、欠值、免值状态和排班指针会被保存，并持续影响后续排班。
上下文工程
系统根据当前任务动态组织规则、名单、状态和约束，尽量减少无效 token。
小模型友好
通过压缩上下文、拆分任务和明确输出协议，支持 4-7B 本地模型参与排班推理。
代码兜底执行
AI 负责理解复杂规则，本地代码负责名单校验、状态结算、结果保存和异常兜底。
AI 推理之前，先把上下文整理干净
Duty-Agent 的核心不是简单地“把问题发给 AI”。它会先读取花名册、长期规则、历史状态和当前指令， 再构造最小但足够完整的任务输入。
输入自然语言
用户描述本次排班目标、临时调整或长期规则。
汇入长期状态
系统读取名单、历史安排、欠值、免值状态和排班指针。
构造任务上下文
上下文工程模块筛选必要信息，降低 token 消耗和模型负担。
AI 推理排班
标准模式或 Agents 模式根据上下文生成候选安排。
代码兜底落地
本地代码执行校验、状态结算、保存和后续可追踪更新。
Reasoning via LLM, Reliability via Code.
模型负责理解自然语言和复杂规则；上下文工程负责控制输入规模、减少无效信息、降低调用成本； 本地代码负责确定性执行、状态维护和结果校验。
上下文最小化
只把当前任务真正需要的名单、规则和状态交给模型，减少 token 浪费，也降低对大模型的依赖。
状态可持续
每次排班都会更新长期状态，后续运行不从零开始，历史安排会继续参与下一次上下文构造。
代码兜底
排班结果必须经过本地逻辑处理，名单校验、欠值/免值结算和保存不交给模型自由发挥。
一个控制台管理完整流程
首页仪表盘、花名册、AI 排班、长期规则、工具接入和运行设置都在独立客户端里完成。
可选 ClassIsland 联动
Duty-Agent 以独立客户端为主。如果用户已有 ClassIsland 环境，可以通过 Duty-Agent-ClassIsland-Bridge 接入通知、组件显示和状态同步。
联动能力，不是运行前提
即使没有启动 ClassIsland，Duty-Agent 也可以独立完成排班管理。 Bridge 只负责在需要时把客户端能力带入 ClassIsland。
Bridge 负责什么
- 检测独立客户端是否在线，并向后端发送连接心跳。
- 在 ClassIsland 中显示通知和组件。
- 同步必要状态，但不承担排班主流程。
把复杂规则留给 AI，把可靠运行交给本地系统。
Duty-Agent 不是一次性生成器，而是一个能持续记住状态、持续优化上下文、持续执行排班规则的独立客户端。项目官网：dutyagent.helema.cn，GitHub：github.com/helemazuba-boop/Duty-Agent。