上一篇我們整理了 MCP Agent 的專案架構，將不同 MCP Server 的連線管理與任務執行紀錄分開處理，讓 Agent 可以透過統一的介面使用各種工具。

不過，之前的執行紀錄主要是顯示當次任務的執行過程。如果程式關閉後再重新啟動，想查詢之前執行過哪些任務、完成了多少步驟，就需要另外保存任務資料。

因此，今天就繼續在原本的專案上加入任務管理與狀態追蹤，讓 Agent 不只可以執行任務，也能保存每次任務的執行狀態與歷程。

調整專案架構

這次會保留上一篇已經完成的檔案，另外新增 task_planner.py 與 task_manager.py，分別處理任務規劃與任務資料管理。

day27/
├── config.py
├── mcp_manager.py
├── agent.py
├── main.py
├── task_logger.py
├── task_planner.py      # 任務規劃與重新規劃
├── task_manager.py     # 任務狀態與執行紀錄
└── tasks.db             # 執行後自動建立

其中，task_logger.py 與 task_manager.py 的用途不同：前者負責整理當次任務的執行摘要，後者則使用 SQLite 保存任務資料，讓程式重新啟動後仍然可以查詢。

加入任務規劃與動態調整

除了保存任務紀錄，這次也進一步整理 Agent 的任務規劃流程。

在 task_planner.py 中，讓 AI 根據使用者的需求產生執行計畫，再由 agent.py 依序呼叫對應的 Tool，如果某個步驟成功，就繼續執行原本計畫中的下一個步驟；如果執行失敗，則可以重新規劃後續工作。

為了避免 Agent 不斷重試，也保留了最大執行步數與失敗次數限制。另外，成功執行時不需要每一步都重新呼叫 AI 規劃，可以減少不必要的 API 使用。

使用 SQLite 保存任務狀態

接著，新增 task_manager.py，使用 SQLite 保存每次任務的資料。

主要記錄以下資訊：

• 任務 ID 與內容： 方便識別及查詢不同任務。
• 任務狀態： 記錄任務是否已完成，或是在執行過程中失敗。
• 執行進度： 記錄預計步驟數量與已成功完成的步驟數。
• 執行歷程： 保存各步驟使用的 Tool、執行狀態與回傳結果。

資料會儲存在 tasks.db，程式第一次執行時就會自動建立資料庫及所需的資料表，不需要手動建立。

當 Agent 開始執行任務時，會先建立任務紀錄；每完成一個步驟，就將結果保存到資料庫，並更新執行進度。任務結束後，再更新整體狀態。

這樣即使程式關閉，也不會因為記憶體中的資料消失而失去之前的任務紀錄。

查詢過去的任務

為了查看保存下來的資料，我也在 main.py 加入任務查詢功能。

啟動程式後，可以輸入以下指令：

• tasks：查看最近的任務清單。
• task 1：查看 ID 為 1 的任務詳細資料。
• exit：離開程式。

任務清單會顯示任務 ID、狀態、任務內容、執行進度與建立時間；詳細資料則會列出各個步驟使用的 Tool，以及對應的執行結果。

和上一篇主要顯示當次執行摘要不同，這次可以直接查詢先前保存的任務，方便之後追蹤與除錯。

實際測試

完成修改後，我輸入以下任務進行測試，請搜尋知識庫中與 MCP Agent 執行限制有關的資料，整理成重點，寫入 report.txt，最後讀取 report.txt 確認內容。

可以看到指令都有順利完成，並且任務完成後輸入 tasks，可以看到這次任務的狀態與進度：

接著輸入 task 1，就能查看完整的執行紀錄，包括每個步驟的工作內容、Tool 名稱、執行狀態與回傳結果。

我也確認了任務紀錄會保存到 tasks.db，因此重新啟動程式後，仍然可以查詢先前的任務。

今天的成果

今天在原本的 MCP Agent 專案上，進一步加入任務規劃、失敗時的動態調整，以及可持續保存的任務管理功能，現在除了能查看單次任務的執行摘要，也能保存任務狀態與各步驟的執行歷程，並在程式重新啟動後查詢過去的任務。

不過保存任務紀錄不等於自動恢復任務。目前即使能查到中斷前的執行進度，程式仍然需要進一步實作，才能從未完成的步驟繼續執行。