↓跳到主要内容
  1. 技术笔记/

用 kimi-cli 实现自动 Issue → Worktree → TDD → PR 的无人值守流水线

·1782 字 ·2 分钟

先看最短的一条命令。kimi-cli 本身能写代码、跑命令、起 subagent,一条 prompt 就能把整个流程串起来。给 kimi-cli 一个 issue 编号,让它在 worktree 里建分支、先写测试、再改代码、跑通后提 PR:

1
2
3
4
5
kimi --print --yolo -p "请解决 GitHub issue #123:
1. 用 git worktree 创建一个独立分支 fix-issue-123,在里面工作
2. 先写测试用例(TDD),确认测试能复现 issue 描述的 bug
3. 实现修复代码,运行测试直到全部通过
4. 用 gh 命令创建一个 PR 到 dev 分支,英文写 PR 描述"

--print 让它以非交互模式执行完自动退出,--yolo 自动批准所有操作,不需要人工确认。这两个参数决定了它能不能无人值守,也把风险摆到了台面上:--yolo 等于把 shell 权限交给一个没有人类在场的进程,能跑测试,也能删文件、改配置、推分支。在生产仓库里用,至少要把爆炸半径圈住——独立仓库或受限 token、分支保护、可回滚的 worktree,这些不是 prompt 能解决的。

这条命令真正省掉的是「开分支、写测试、跑测试、提 PR」这四步手工操作,写代码本身仍然由模型完成。它把 TDD 变成一个可执行的约束:prompt 里先要求写测试复现 bug,再要求实现修复、跑到全绿。原文说 kimi-cli 的系统 prompt 本身就有「先写测试再写代码」的指导,这意味着你不需要在每次 prompt 里重新发明 TDD 流程;但测试是否真的复现了 issue,仍要靠 CI 和 review 兜底。

批量:subagent 并行,但别把并发当免费 #

一条 prompt 也能批量处理:让它用 gh issue list 拉取所有 open 的 bug issue,然后给每个 issue 启动一个 coder 类型的 subagent,每个 subagent 在自己的 worktree 里走同样的 TDD 流程,最后统一汇报。kimi-cli 会自动用 Shell 工具执行 gh 命令,用 Agent 工具起 subagent,用 git worktree add 隔离分支,用 gh pr create --base dev 提 PR:

1
2
3
4
5
6
7
8
9
kimi --print --yolo -p "去 https://github.com/用户/仓库 获取所有 label 为 'bug' 的 open issues,然后用 Agent 工具给每个 issue 创建一个 subagent。每个 subagent 的工作流程:

1. git worktree add .worktrees/issue-{编号} -b fix-issue-{编号} main
2. 先写测试复现 bug(TDD)
3. 修复代码
4. 运行全部测试
5. git commit + gh pr create --base dev

最后汇报每个 issue 的处理结果。"

这里省下的是等待时间;总工作量没有变。每个 subagent 都要跑一遍依赖安装、测试和模型调用,token 消耗随 issue 数线性上涨;如果多个 issue 改到同一个共享模块,worktree 能隔离文件,隔离不了合并冲突,最后仍然要人来解。并发数开多大,取决于 CI 的并发额度和 review 的人力,不取决于模型能同时起多少个 subagent。

定时:cron 每 10 分钟,问题是谁来防止重入 #

无人值守的下一层是 cron。下面这条每 10 分钟跑一次,处理 label 为 ai-fix 的 issue,处理完把 label 改成 ai-done:

# 每 10 分钟检查一次,自动处理 label 为 "ai-fix" 的 issues
*/10 * * * * cd /path/to/your/repo && kimi --quiet -p "检查 GitHub issues 中 label 为 ai-fix 的,逐一用 worktree+TDD+subagent 修复,并 PR 到 dev。处理完后把 label 改成 ai-done。"

--quiet 等价于 --print --output-format text --final-message-only,只输出最终结果,适合放进 cron 日志。按 10 分钟一次算,一小时最多触发 6 轮;如果某一轮的处理时间超过 10 分钟,下一轮会踩着上一轮的尾巴启动,两个进程可能同时看到同一个 ai-fix issue。原文没有给出锁或超时策略,[待补:cron 重入锁、单轮超时与失败后的 label 回滚方案]。没有这层保护,label 只能表达「做完了」,表达不了「正在做」和「做失败了」。

Ralph 循环:无限迭代的开关 #

--max-ralph-iterations -1 会让 agent 无限循环:每次都重新执行同一个任务,直到它自己判断「没有更多 issue」并输出 STOP。配合 --print --yolo,它可以在没有人盯着的情况下持续消费 issue 队列:

1
2
kimi --print --yolo --max-ralph-iterations -1 \
  -p "持续监控 xxx 仓库的 issues(label: ai-fix),每发现一个就用 worktree+TDD 修复并 PR 到 dev,处理完一个再检查下一个,直到没有新 issue 为止。"

无人值守场景下,~/.kimi/config.toml 的 [loop_control] 建议从这样一份配置起步。数值不是固定的,下文逐个解释:

1
2
3
4
5
6
[loop_control]
max_steps_per_turn = 2000
max_retries_per_step = 5
max_ralph_iterations = -1
reserved_context_size = 50000
compaction_trigger_ratio = 0.80

这几个数字各自对应一类失败。max_steps_per_turn 卡住单轮的步数上限;原文说复杂 issue 的 TDD+修复+调试循环很容易超过 100 步,默认的 1000 够用,留到 2000 是给长任务余量。max_retries_per_step 给 gh API 限流和偶发命令失败留 5 次重试,无人值守时没人手动重跑,重试是最后一道自愈。max_ralph_iterations = -1 是无限循环的关键,也让 STOP 判断变成唯一的出口;如果模型一直不输出 STOP,这个进程会一直跑下去。reserved_context_size = 50000 留出 50000 token 的余量,compaction_trigger_ratio = 0.80 把压缩触发点提前到 80%;两者一起避免长任务在撞到窗口上限时才压缩。代价是更早丢弃原始对话,压缩太频繁也会打断任务节奏。

命令行可以临时覆盖这些配置,不改文件。下面这条适合一次性实验:

1
2
3
4
kimi --print --yolo \
  --max-steps-per-turn 2000 \
  --max-ralph-iterations -1 \
  -p "持续检查 GitHub issues(label: ai-fix),每个 issue 用 worktree+TDD+subagent 修复,然后 PR 到 dev"

前置条件 #

跑之前先确认 gh 已经安装并登录,用 gh auth status 能查到。仓库要有写权限,能创建分支和 PR。测试框架要配好,pytest、jest、vitest 都行,否则 TDD 的第一步就无从谈起。.worktrees/ 目录要放进 .gitignore,避免 worktree 的内容污染主仓库的 git status。kimi-cli 版本至少 0.15,才支持 subagent 和 ralph 循环。这几项里,最容易漏的是 .gitignore 和测试框架:前者会让 agent 把 worktree 里的文件当成未跟踪改动,后者会让「先写测试」变成「先写一个跑不起来的测试」。

这条流水线最终产出的是一串 PR,合并仍然由人决定。它的瓶颈会从「没人写」变成「没人 review」:按每 10 分钟一次的触发频率,如果每轮都有新 issue,PR 的产出速度很容易超过人工 review 的速度。真正要补的是队列上限、重入锁、失败回滚和 review 容量;继续加长 prompt 解决不了这些问题。