AGENT SKILL

grill-implement-parallel

Orquestra os workers não-frontier da etapa implement-parallel sobre o Execution DAG, com worktree isolado por worker e receipt submetido apenas pelo leader.

License 许可
MIT
最近更新
2026-09-28
Stars
★ 0
Forks
0

01 前言 Front Matter

name
grill-implement-parallel
description
Orquestra os workers não-frontier da etapa implement-parallel sobre o Execution DAG, com worktree isolado por worker e receipt submetido apenas pelo leader.
argument-hint
<git-root> --work-id <id> --run-id <run> --dag <path>

03 SKILL.md 正文

Grill Implement Parallel v4.0.0

Canonical Skill da etapa implement-parallel do WORKFLOW v4. Você é o leader: orquestra, não implementa. Os workers implementam, cada um no próprio worktree, cada um com escopo fechado, nenhum com modelo de fronteira.

Regras invioláveis

  1. O receipt da etapa é seu. Nenhum worker faz checkpoint da etapa (spec 013 US1, ADR-0010).
  2. Você não escolhe modelo. gauntlet-worker-declare resolve o modelo a partir do tier do nó. Não passe --model.
  3. Nenhum worker toca tasks.md. Cada um grava só o próprio sidecar.
  4. Tarefas em deferred_to_leader são suas. Elas escrevem evidência de coordenador e worker nenhum pode executá-las.

Passos

1. Preflight — antes de qualquer worker existir

  • Checklists. Rode o mesmo scan que speckit-implement faz. Se houver item aberto, pare aqui com CHECKLIST-INCOMPLETE e peça a decisão ao humano uma vez, no chat principal. Três workers parando para perguntar é deadlock de três vias com o stall_minutes correndo.
  • Hooks. Leia .specify/extensions.yml. Qualquer entrada em hooks.before_implement/hooks.after_implement com optional: false ⇒ bloqueie com HOOK-FANOUT-UNSAFE. Um hook obrigatório que muta estado compartilhado dispararia uma vez por worker.

2. Declarar a wave

python3 <plugin>/scripts/grill_workspace.py gauntlet-wave-declare ROOT \
    --work-id ID --run-id RUN --dag specs/NNN/execution-dag.json \
    --node-id p01-a --node-id p01-b --node-id p01-c

Só nós prontos (dependências terminais) entram. Um nó parallel:false despacha sozinho na própria wave.

3. Declarar cada worker

python3 <plugin>/scripts/grill_workspace.py gauntlet-worker-declare ROOT \
    --work-id ID --run-id RUN --wave-id wave-0001 --node-id p01-a \
    --tier medium --dag specs/NNN/execution-dag.json \
    --files <cada file do nó>

Use gauntlet-worker-declare, nunca gauntlet-prepare-worker: a superfície legada aceita --scope sem DAG e pula seis verificações (sufixo reservado, piso de tier, escopo de evidência, pertencimento à wave, wave ativa, dependência terminal).

4. Despachar os subagentes

Use orca orchestration worker-start --spec ... --worktree path:<worktree do worker> --agent <runtime> --model <model devolvido> --run <run Orca> --json para cada worker. Guarde o dispatchId retornado e registre a sessão imediatamente após o start:

python3 <plugin>/scripts/grill_workspace.py gauntlet-worker-session ROOT \
    --work-id ID --run-id RUN --worker-id p01-a --dispatch ctx-... \
    --phase register --session-ref LEADER

Um worker por nó, no próprio worktree, com o modelo que o declare devolveu — nunca um escolhido por você. Cada worker:

  1. invoca speckit-implement com o brief como $ARGUMENTS;
  2. informa progresso ao líder a cada tarefa concluída; o líder chama gauntlet-progress-record (renova o lease, evita stall aos 15 min);
  3. grava specs/NNN/implement/<node-id>.tasks.json;
  4. commita na própria branch;
  5. envia worker_done pelo Dispatch injetado e encerra seu turno.

Após receber e aceitar o worker_done do Dispatch exato, o líder confere o resultado/diagnóstico salvo no worktree, chama gauntlet-worker-terminal --outcome completed (ou failed com classificação honesta), depois gauntlet-worker-session --phase release --result <path relativo no worktree> e confere RELEASED ou REUSED. Esse verbo registra CLOSE_PENDING antes do efeito, executa orca orchestration worker-release --dispatch, lê o mesmo Dispatch com worker-show e persiste CLOSED somente com identidade e arquivo de saída arquivado. Em UNKNOWN, preserve a sessão e repita a mesma operação: a retomada lê o Dispatch sem enviar outro release. Se ainda estiver ativo, reconcilie no Orca antes de repetir. Não use terminal close.

O brief vem de comando, não de prosa sua:

python3 <plugin>/scripts/grill_workspace.py gauntlet-partition-brief ROOT \
    --dag specs/NNN/execution-dag.json --node-id p01-a \
    --report specs/NNN/partition-report.json

O brief é dica. A garantia é o grant do worktree mais a verificação de diff em gauntlet-converge (GRANT-SCOPE-VIOLATION).

5. Convergir

python3 <plugin>/scripts/grill_workspace.py gauntlet-converge ROOT \
    --work-id ID --run-id RUN --wave-id wave-0001

Merge --no-ff serial, em ordem de node_id. Conflito de conteúdo não é resolvido automaticamente (ADR-0009): INTEGRATION_CONFLICT nomeia os nós e o humano resolve. gauntlet-remediate só aceita stall e transient-failure. Para uma sessão Orca, cada worker convergível precisa de recurso de sessão CLOSED com release confirmado; substituição exige a mesma prova do worker anterior. O cleanup Git do worktree continua após o merge. Workers antigos exigem registro por identidade e settlement comprovados antes de elegibilidade; nenhum resultado aceito é repetido para drenar cleanup.

Repita 2–5 enquanto houver nó não terminal.

6. Reconciliar e fechar

python3 <plugin>/scripts/grill_workspace.py gauntlet-tasks-reconcile ROOT \
    --work-id ID --run-id RUN --dag specs/NNN/execution-dag.json

Lê os sidecars já mergeados e marca [X] em tasks.md, uma vez, na branch do coordenador. Determinístico, sem modelo no loop.

Depois execute você mesmo as tarefas de deferred_to_leader, e só então faça o checkpoint da etapa.

Worker que falha

gauntlet-converge integra apenas lineage-head em estado terminal. Um worker FAILED é ignorado no merge e a wave fecha sem ele; a etapa converge seguinte apanha o resto como tarefa nova — é literalmente para isso que ela existe.

04 同仓库更多 Skills