一键在 Manus 中运行任何 Skill

funasr-task-manager-init

星标1

分支0

更新时间2026年5月18日 02:25

Bootstrap the funasr-task-manager development environment from scratch. Use when: first-time setup, checking if repo is cloned, installing dependencies (Python/Unicorn or Docker), or starting backend/frontend services for the first time.

安装

用 Codex 或 Claude 帮你安装复制这段 Prompt，粘贴到 Codex、Claude 或其他助手里，让它检查 Skill 页面并帮你完成安装。

在 Manus 中运行

来源

wangminle

wangminle/funasr-task-manager

打开 GitHub 仓库查看创作者相关仓库

下载

在 Manus 中运行

环境初始化与启动

funasr-task-manager-init 负责所有前期环境准备工作：检查仓库是否已克隆、判断后端/前端是否已启动、根据用户选择的环境方式完成安装并启动服务。

触发条件

自动触发

Agent 首次接触本项目时
用户执行任何需要后端运行的操作（如转写、benchmark），但后端不可达时
GET /health 返回连接失败或非 200 时

用户显式触发

用户说"初始化环境""安装项目""启动后端""setup""init"
用户说"换 Docker 部署""重新安装"

关键词

初始化 / 安装 / 部署 / 启动 / setup / init / bootstrap / docker / unicorn / 环境

执行流程

Phase 1：检查仓库状态

检查当前工作目录是否为 funasr-task-manager 仓库
- 判断依据：存在 3-dev/src/backend/app/main.py 且 .git/ 目录存在
- 不存在 → 提示用户克隆：
```
git clone https://github.com/user/funasr-task-manager.git
cd funasr-task-manager
```
- 存在 → 继续 Phase 2

Phase 2：检查后端运行状态

检查后端是否已启动（核心判断条件，Agent 工作流仅依赖后端 API）
- 请求 GET http://localhost:15797/health
- 返回 {"status": "ok"} → 后端已运行，进入 Step 2（版本一致性校验）
- 连接失败或非 200 → 后端未启动，跳过版本校验，直接进入 Phase 3

版本一致性校验（后端可达时必须执行）

从 /health 响应中提取 version、git_sha、started_at，与本地仓库比对：

# 获取运行中的后端信息
HEALTH=$(curl -sf http://localhost:15797/health)
RUNNING_VERSION=$(echo "$HEALTH" | python3 -c "import sys,json; print(json.load(sys.stdin)['version'])")
RUNNING_SHA=$(echo "$HEALTH" | python3 -c "import sys,json; print(json.load(sys.stdin)['git_sha'])")
RUNNING_STARTED=$(echo "$HEALTH" | python3 -c "import sys,json; print(json.load(sys.stdin)['started_at'])")

# 获取仓库当前版本信息
REPO_VERSION=$(grep -m1 '^version' 3-dev/src/backend/pyproject.toml | sed 's/.*"\(.*\)".*/\1/')
REPO_SHA=$(git rev-parse --short HEAD)

比对规则（两项都必须检查，任一不匹配即视为版本不一致）：

检查项	运行中	仓库	一致？
app_version	`{RUNNING_VERSION}`	`{REPO_VERSION}`	✅/❌
git_sha	`{RUNNING_SHA}`	`{REPO_SHA}`	✅/❌

两项均一致 → 报告"环境就绪，版本一致"
任一不一致 → 输出告警并询问用户是否重启：
⚠️ 后端版本与仓库不一致：

运行中仓库
version {RUNNING_VERSION} {REPO_VERSION}
git_sha {RUNNING_SHA} {REPO_SHA}
启动时间 {RUNNING_STARTED}

后端正在运行旧版本代码，可能缺少最新功能或修复。
1. 重启后端服务（推荐） — 让后端加载最新代码
2. 跳过 — 继续使用当前运行的版本

用户选择重启 → 执行重启逻辑：

# 检查是否由 systemd 管理
if systemctl --user is-active funasr-task-manager-backend &>/dev/null; then
  systemctl --user restart funasr-task-manager-backend
  echo "⏳ 正在通过 systemd 重启后端..."
else
  # 非 systemd 环境：找到并终止旧进程，重新启动
  PID=$(lsof -ti:15797 2>/dev/null)
  if [ -n "$PID" ]; then
    kill "$PID"
    sleep 2
  fi
  cd 3-dev/src/backend
  nohup uvicorn app.main:app --host 0.0.0.0 --port 15797 --reload &
  echo "⏳ 正在重新启动后端..."
fi
sleep 5

重启后重新校验：再次请求 /health，确认 git_sha 与仓库一致
校验通过 → 报告"环境就绪，版本已更新"
仍不一致 → 警告但不阻断，记录问题后继续

判断结果：
- 后端已运行且版本一致 → 报告"环境就绪"，询问是否执行后续可选阶段：
  环境已就绪。是否还需要：
  1. 安装/更新 Skills 到 Agent 平台（Phase 6）
  2. 配置渠道凭据（Phase 7）
  3. 注册后端为 systemd 服务（Phase 8，仅 Linux）
  4. 不需要，退出
- 后端未启动 → 进入 Phase 3

注意：前端（http://localhost:15798）是 Web UI，供人类操作员使用，Agent 工作流不依赖前端。不检查、不启动前端。

Phase 3：选择安装方式

向用户询问（二选一）：

检测到服务未启动，请选择安装方式：

Python 环境（推荐开发）— 使用 Unicorn 管理 Python 3.13 环境

Docker 环境（推荐部署）— 使用 Docker Compose 一键启动

用户选择后进入对应分支。

Phase 4A：Python 环境安装

按顺序执行以下步骤：

Step 1：检查现有 Python 环境是否已满足

先检查系统 Python 是否已经具备运行后端的全部依赖：

python3 -c "import fastapi; import sqlalchemy; import uvicorn; print('OK')" 2>/dev/null

输出 OK → 跳过 Step 2-3，直接进入 Step 4（现有环境已可用）
失败 → 继续 Step 2

Step 2：尝试 Unicorn 环境（优先但非必选）

which unicorn && unicorn --version

可用 → 用 Unicorn 创建隔离环境：

cd 3-dev/src/backend
unicorn env create python3.13 --name funasr-backend
unicorn env activate funasr-backend

不可用 → 回退到系统 Python + venv/pip，不要求安装 Unicorn

Step 3：安装后端依赖

cd 3-dev/src/backend
pip install -e ".[dev]"

如果 pyproject.toml 不存在 .[dev]，则回退到：

pip install -r requirements.txt

验证核心依赖：

python3 -c "import fastapi; import sqlalchemy; import uvicorn; print('OK')"

Step 4：检查 ffmpeg / ffprobe

VAD 分段并行转写（长音频自动切分）依赖 ffprobe 获取精确时长，ffmpeg 用于静音检测和物理切段。缺少时分段功能会静默 fallback 到整文件转写，性能大幅下降。

ffprobe -version
ffmpeg -version

两者均可用 → 继续
不可用 → 按平台安装：
- Linux（有 sudo）：sudo apt-get install -y ffmpeg
- Linux（无 sudo / 容器内）：下载静态二进制包：
```
mkdir -p ~/.local/bin
cd /tmp
curl -LO https://johnvansickle.com/ffmpeg/releases/ffmpeg-release-amd64-static.tar.xz
tar xf ffmpeg-release-amd64-static.tar.xz
cp ffmpeg-*-static/ffmpeg ffmpeg-*-static/ffprobe ~/.local/bin/
chmod +x ~/.local/bin/ffmpeg ~/.local/bin/ffprobe
rm -rf ffmpeg-*
```
  确保 ~/.local/bin 在 PATH 中：export PATH="$HOME/.local/bin:$PATH"
- macOS：brew install ffmpeg
- Windows：下载 https://www.gyan.dev/ffmpeg/builds/ 解压后加入 PATH
安装后再次验证 ffprobe -version

Step 5：初始化数据库

cd 3-dev/src/backend
python -m alembic upgrade head

Step 6：启动后端

cd 3-dev/src/backend
uvicorn app.main:app --host 0.0.0.0 --port 15797 --reload

启动后等待 5 秒，验证 GET http://localhost:15797/health 返回 {"status": "ok"}。

Step 7：验证 CLI 配置

后端启动后，必须确认 CLI 指向正确的后端地址。CLI 默认从 ~/.asr-cli.yaml 读取 server 字段，如果残留旧配置（如端口 28000），CLI 会静默连接到错误地址并报告空错误。

cd 3-dev/src/backend
python -m cli config get server

输出 http://localhost:15797 → ✅ 正确

输出其他地址或为空 → 执行修正：

python -m cli config set server http://localhost:15797

验证 CLI 可达后端：

python -m cli health

应返回 {"status": "ok"} 或类似健康信息。如果报 无法连接到服务器，检查上一步的地址设置和后端运行状态。

后端启动 + CLI 配置验证后即可进入 Phase 5。 前端（Vue Web UI）是可选的，Agent 工作流不依赖前端。

Phase 4B：Docker 环境安装

Step 1：检查 Docker 是否可用

docker --version
docker compose version

两者均可用 → 继续
Docker 不可用 → 引导安装：
- Windows → 提示下载 Docker Desktop：https://www.docker.com/products/docker-desktop/
- Linux → 提供安装命令：
```
curl -fsSL https://get.docker.com | sh
sudo usermod -aG docker $USER
```
- 安装后要求用户重启终端，再次执行本 Skill

Step 2：检查 Docker 运行状态

docker info

正常输出 → 继续
报错"Cannot connect to the Docker daemon" → 提示启动 Docker Desktop 或 sudo systemctl start docker

Step 3：检查系统资源

可用内存 >= 4GB（推荐 8GB）
可用磁盘 >= 5GB
不满足 → 警告但不阻断

Step 4：构建并启动

docker compose up -d --build

等待容器启动，验证：

docker compose ps
# 应显示 backend 和 frontend 容器为 running/healthy

验证 GET http://localhost:15797/health 返回 {"status": "ok"}。

Phase 5：启动验证与报告

所有步骤完成后，输出验证报告：

✅ funasr-task-manager 后端已就绪

  安装方式: {python/docker}
  后端地址: http://localhost:15797
  健康检查: ✅ 通过
  版本校验: ✅ version={版本号} git_sha={SHA}
  CLI 配置: ✅ server = http://localhost:15797
  数据库:   ✅ 已迁移到最新版本
  ffprobe:  ✅ 可用（版本 x.x.x）

  下一步:
  - 注册 FunASR 服务器: python -m cli server register <ws://...>
  - 上传并转写: python -m cli transcribe <audio-file>

输出报告后，必须询问用户是否执行 Phase 6/7/8（不可跳过此询问）：

是否需要执行以下可选配置？

安装/更新 ASR Skills 到 Agent 平台（推荐）

配置飞书/企微/Slack 渠道凭据

注册后端为 systemd 用户级服务（仅 Linux，无需 sudo，开机自启 + 崩溃重启）

全部执行

跳过

Phase 5.5：创建批量转写运行时目录

目的：为 funasr-task-manager-local-batch-transcribe Skill 幂等创建运行时目录结构。后端健康检查通过后自动执行，无需用户确认。

幂等创建逻辑（Linux/macOS）：

BATCH_ROOT="{repo_root}/runtime/agent-local-batch"
for dir in inbox processing outputs manifests logs archive; do
  mkdir -p "$BATCH_ROOT/$dir"
  touch "$BATCH_ROOT/$dir/.gitkeep"
done
echo "✅ 批量转写运行时目录已就绪: $BATCH_ROOT"

Windows PowerShell：

$BatchRoot = "{repo_root}\runtime\agent-local-batch"
@("inbox","processing","outputs","manifests","logs","archive") | ForEach-Object {
    $dir = Join-Path $BatchRoot $_
    New-Item -ItemType Directory -Force -Path $dir | Out-Null
    $gitkeep = Join-Path $dir ".gitkeep"
    if (-not (Test-Path $gitkeep)) { New-Item -ItemType File -Path $gitkeep | Out-Null }
}
Write-Host "✅ 批量转写运行时目录已就绪: $BatchRoot"

验证：确认 6 个子目录存在且各含 .gitkeep。

目录用途说明：

子目录	用途
`inbox/`	待处理的源音视频文件（默认扫描入口）
`processing/`	正在处理中的文件暂存（防止重复提交）
`outputs/`	转写结果归档（按 batch_id 分目录）
`manifests/`	批次清单 JSON 文件（状态持久化）
`logs/`	批次执行日志
`archive/`	历史已完成批次的归档

注意：此步骤为自动执行，无需用户选择。如果目录已存在则幂等跳过。

Phase 6：安装 Skills 到 Agent 平台

目的：将 6-skills/ 下的所有 Skill 安装到 Agent 平台的自动加载目录，使 Agent 启动时即具备 ASR 转写能力，不需要用户手动指挥"去 repo 里学一下 skill"。

向用户询问：

是否需要将 ASR Skills 安装到 Agent 平台？安装后 Agent 启动时会自动加载这些技能，可以自主识别文件并完成转写。

请问你使用的是哪个 Agent 平台？

OpenClaw — Skills 安装到 ~/.openclaw/workspace-{name}/skills/

Hermes — Skills 安装到 ~/.hermes/skills/

Cursor — Skills 安装到 {project}/.cursor/skills/ 或 ~/.cursor/skills-cursor/

其他 / 不安装 — 跳过此步骤

用户选择后进入对应分支。

6A：OpenClaw

先确定 workspace 名称（向用户询问或自动检测当前活跃 workspace）：

# 列出已有 workspace（选择其中一个）
ls ~/.openclaw/workspace-*/

# 向用户确认目标 workspace 名称，例如：asr、default、my-project 等
WORKSPACE_NAME="<用户确认的 workspace 名>"
WORKSPACE_SKILLS="$HOME/.openclaw/workspace-$WORKSPACE_NAME/skills"
REPO_SKILLS="{repo_root}/6-skills"

mkdir -p "$WORKSPACE_SKILLS"

for skill_dir in "$REPO_SKILLS"/funasr-task-manager-*/; do
  skill_name=$(basename "$skill_dir")
  rm -rf "$WORKSPACE_SKILLS/$skill_name"
  cp -r "$skill_dir" "$WORKSPACE_SKILLS/$skill_name"
  echo "✅ $skill_name"
done

# 安装 ASR 工作流文档到 workspace
WORKSPACE_ROOT="$HOME/.openclaw/workspace-$WORKSPACE_NAME"
cp "$REPO_SKILLS/_shared/ASR-WORKFLOW.md" "$WORKSPACE_ROOT/ASR-WORKFLOW.md"
echo "✅ ASR-WORKFLOW.md"

# 向 AGENTS.md 追加 ASR 段落（幂等：已有则先删除旧版再追加新版）
if grep -q "BEGIN:funasr-task-manager" "$WORKSPACE_ROOT/AGENTS.md" 2>/dev/null; then
  sed '/<!-- BEGIN:funasr-task-manager/,/<!-- END:funasr-task-manager/d' "$WORKSPACE_ROOT/AGENTS.md" > "$WORKSPACE_ROOT/AGENTS.md.tmp"
  mv "$WORKSPACE_ROOT/AGENTS.md.tmp" "$WORKSPACE_ROOT/AGENTS.md"
fi
cat "$REPO_SKILLS/_shared/AGENTS-asr-section.md" >> "$WORKSPACE_ROOT/AGENTS.md"
echo "✅ AGENTS.md 已追加 ASR 转写段落"

验证：

ls "$WORKSPACE_SKILLS"/funasr-task-manager-*/SKILL.md | wc -l
test -f "$WORKSPACE_ROOT/ASR-WORKFLOW.md" && echo "✅ ASR-WORKFLOW.md 已安装"

6B：Hermes

HERMES_SKILLS="$HOME/.hermes/skills"
REPO_SKILLS="{repo_root}/6-skills"

mkdir -p "$HERMES_SKILLS"

for skill_dir in "$REPO_SKILLS"/funasr-task-manager-*/; do
  skill_name=$(basename "$skill_dir")
  rm -rf "$HERMES_SKILLS/$skill_name"
  cp -r "$skill_dir" "$HERMES_SKILLS/$skill_name"
  echo "✅ $skill_name"
done

# 安装 ASR 工作流文档 + 追加 AGENTS.md ASR 段落
HERMES_ROOT="$HOME/.hermes"
cp "$REPO_SKILLS/_shared/ASR-WORKFLOW.md" "$HERMES_ROOT/ASR-WORKFLOW.md"
echo "✅ ASR-WORKFLOW.md"

if grep -q "BEGIN:funasr-task-manager" "$HERMES_ROOT/AGENTS.md" 2>/dev/null; then
  sed '/<!-- BEGIN:funasr-task-manager/,/<!-- END:funasr-task-manager/d' "$HERMES_ROOT/AGENTS.md" > "$HERMES_ROOT/AGENTS.md.tmp"
  mv "$HERMES_ROOT/AGENTS.md.tmp" "$HERMES_ROOT/AGENTS.md"
fi
cat "$REPO_SKILLS/_shared/AGENTS-asr-section.md" >> "$HERMES_ROOT/AGENTS.md"
echo "✅ AGENTS.md 已追加 ASR 转写段落"

6C：Cursor

Cursor 的 skill 目录分为用户级和项目级：

用户级（所有项目共享）：~/.cursor/skills-cursor/
项目级（仅当前项目）：{project}/.cursor/skills/

推荐安装到项目级目录：

Linux / macOS：

PROJECT_SKILLS="{repo_root}/.cursor/skills"
REPO_SKILLS="{repo_root}/6-skills"

mkdir -p "$PROJECT_SKILLS"

for skill_dir in "$REPO_SKILLS"/funasr-task-manager-*/; do
  skill_name=$(basename "$skill_dir")
  rm -rf "$PROJECT_SKILLS/$skill_name"
  ln -sfn "$(cd "$skill_dir" && pwd)" "$PROJECT_SKILLS/$skill_name"
  echo "✅ $skill_name"
done

Windows PowerShell：

$ProjectSkills = "{repo_root}\.cursor\skills"
$RepoSkills = "{repo_root}\6-skills"

New-Item -ItemType Directory -Force -Path $ProjectSkills | Out-Null

Get-ChildItem -Directory "$RepoSkills\funasr-task-manager-*" | ForEach-Object {
    $target = Join-Path $ProjectSkills $_.Name
    if (Test-Path $target) { Remove-Item $target -Recurse -Force }
    # 符号链接需要管理员权限，降级为目录拷贝
    Copy-Item -Recurse $_.FullName $target
    Write-Host "✅ $($_.Name)"
}

6D：跳过

记录日志，提示用户可以稍后手动安装：

ℹ️ 已跳过 Skill 安装。如需后续安装，请将 6-skills/funasr-task-manager-*/ 目录
   复制或链接到你的 Agent 平台的 skills 加载目录。

安装后验证

输出已安装的 8 个 Skill 清单 + ASR-WORKFLOW.md 状态，确认安装目录和数量。

Phase 7：配置渠道凭据与实时通知（可选）

如果 Agent 需要通过聊天渠道（飞书、企业微信、Slack 等）接收用户文件或发送实时进度通知，必须预配置渠道 API 凭据。否则 Agent 在收到文件时会花数分钟探索鉴权路径，通知功能也无法正常工作。

向用户询问：

Agent 是否需要从聊天渠道接收文件 / 发送实时通知？

飞书/Lark — 需要 app_id + app_secret

企业微信 — 需要 corpid + corpsecret

Slack — 需要 Bot OAuth Token

不需要 / 仅 CLI — 跳过

各渠道的详细配置步骤、环境变量写入方式和验证命令见 references/channel-credentials.md。

7.1 配置实时通知凭据（飞书选项额外步骤）

当用户选择飞书时，除了配置文件下载凭据外，还需配置 notify 子系统以支持 send_user_notice() 的 CLI fallback：

cd 3-dev/src/backend

python -m cli config set notify.feishu_app_id "cli_xxxxxxxxxxxx"
python -m cli config set notify.feishu_app_secret "xxxxxxxxxxxxxxxxxxxxxxxx"
python -m cli config set notify.default_chat_id "oc_xxxxxxxxxxxxxxxxxxxxxxxx"

说明：

notify.feishu_app_id / notify.feishu_app_secret：与文件下载使用相同的飞书应用凭据即可

notify.default_chat_id：CLI 本地手动调试的默认群聊 ID（从飞书群设置中获取）；Agent/Skill 自动通知仍应显式传入本轮会话的 --chat-id

这些值存储在 ~/.asr-cli.yaml 的 notify: 段落中

验证配置是否正确：

python -m cli notify auth-check
# 应输出：飞书凭据有效 (app_id: cli_xxx, token 已缓存...)

发送测试消息：

python -m cli notify send --text "🔔 通知系统测试：如果你看到这条消息，说明 notify 配置成功"

这条测试命令用于验证刚配置的默认 notify.default_chat_id。Agent/Skill 工作流中的正式通知必须显式传入 --chat-id；私聊还必须传入 --receive-id-type open_id。

注意：

如果 Agent 运行在 OpenClaw 环境中，send_user_notice() 会优先使用平台自带的 message tool，CLI notify 仅作为 fallback

即使在 OpenClaw 环境中，也建议配置 CLI notify 凭据作为降级保障

环境变量 FEISHU_APP_ID、FEISHU_APP_SECRET、FEISHU_CHAT_ID 可覆盖配置文件中的值；FEISHU_CHAT_ID 仅作为本地默认路由，不作为 Agent/Skill 自动通知的隐式目标

Phase 7.5：OpenClaw 部署同步检查（OpenClaw 环境强制）

当 Phase 6 选择了 OpenClaw 平台时，必须执行部署同步检查，确保 OpenClaw workspace 中的 CLI 工具和 Skill 版本与源仓库一致。

7.5a：检查 `cli notify` 是否可用

WORKSPACE_ROOT="$HOME/.openclaw/workspace-$WORKSPACE_NAME"
cd "$WORKSPACE_ROOT"

# 检查 CLI 模块是否存在，并验证 notify send 子命令支持 --receive-id-type 参数
if [ -d "3-dev/src/backend/cli" ] || [ -f "3-dev/src/backend/pyproject.toml" ]; then
  cd 3-dev/src/backend
  CLI_NOTIFY_OUTPUT=$(python -m cli notify send --help 2>&1)
  CLI_NOTIFY_STATUS=$?
  if [ $CLI_NOTIFY_STATUS -eq 0 ] && ! echo "$CLI_NOTIFY_OUTPUT" | grep -q "\-\-receive-id-type"; then
    CLI_NOTIFY_STATUS=1
    echo "⚠️ cli notify send 缺少 --receive-id-type 参数，需要更新 CLI"
  else
    echo "$CLI_NOTIFY_OUTPUT" | head -3
  fi
else
  CLI_NOTIFY_STATUS=1
  echo "⚠️ OpenClaw workspace 中未发现 CLI 代码（3-dev/src/backend/cli 不存在）"
fi

7.5b：检查 Skill 版本一致性

REPO_SKILLS="{repo_root}/6-skills"
WORKSPACE_SKILLS="$HOME/.openclaw/workspace-$WORKSPACE_NAME/skills"

for skill_dir in "$REPO_SKILLS"/funasr-task-manager-*/; do
  skill_name=$(basename "$skill_dir")
  if [ ! -d "$WORKSPACE_SKILLS/$skill_name" ]; then
    echo "❌ $skill_name 未安装到 workspace"
  else
    # 比较文件内容差异
    diff_count=$(diff -rq "$skill_dir" "$WORKSPACE_SKILLS/$skill_name" 2>/dev/null | wc -l)
    if [ "$diff_count" -gt 0 ]; then
      echo "⚠️ $skill_name 与源仓库有 $diff_count 处差异"
    else
      echo "✅ $skill_name 一致"
    fi
  fi
done

7.5c：版本声明检查

# 检查 ASR-WORKFLOW.md 是否包含最低 CLI 版本声明
if grep -q "cli_min_version" "$WORKSPACE_ROOT/ASR-WORKFLOW.md" 2>/dev/null; then
  echo "✅ CLI 最低版本声明存在"
else
  echo "⚠️ ASR-WORKFLOW.md 中缺少 CLI 最低版本声明"
fi

7.5d：输出同步报告

检查项	状态	说明
CLI notify	✅/❌	是否可执行 `python -m cli notify`
Skill 版本	✅/⚠️	各 Skill 是否与源仓库一致
CLI 最低版本	✅/⚠️	ASR-WORKFLOW.md 是否声明最低版本

如果存在 ❌ 或 ⚠️ 项，向用户提示：

⚠️ OpenClaw 部署环境存在不一致：
  - {问题列表}

建议执行部署同步：重新运行 Phase 6 安装 Skills，并将 CLI 代码同步到 workspace。
详见 DEPLOY-SYNC.md。

Phase 8：systemd 用户级服务守护（可选，仅 Python 环境 + Linux）

仅适用于 Python 环境安装的后端（无论 Unicorn venv 还是系统 Python）。Docker 安装应使用 docker compose 的 restart: always，不需要本流程。

⚠️ 必须使用用户级服务（systemctl --user），不要使用系统级服务（/etc/systemd/system/）。理由：后端以普通用户身份运行，所有文件在用户目录下，监听 15797 非特权端口，不需要 root 权限。使用用户级服务可以：

无需 sudo，Agent 可直接管理服务生命周期

与 OpenClaw、Hermes、Cursor 等同样运行在用户空间的 Agent 工具统一管理

避免系统级权限纠缠（之前系统级服务导致需要 sudo 的问题就此消除）

前置检查：uname -s 返回 Linux 且 which systemctl 成功且后端非 Docker 运行。非 Linux → 告知"仅适用于 Linux"，macOS 建议 nohup 或 launchd。

如果检测到旧的系统级服务：

# 检查是否存在系统级服务
if systemctl list-unit-files funasr-task-manager-backend.service | grep -q funasr; then
  echo "⚠️ 检测到旧的系统级服务，需要先迁移"
  # 展示以下命令让用户确认执行：
  # sudo systemctl disable --now funasr-task-manager-backend
  # sudo rm /etc/systemd/system/funasr-task-manager-backend.service
  # sudo systemctl daemon-reload
fi

交互流程：

逐个候选 Python 执行 import uvicorn，仅验证通过的才可选定（路径存在 ≠ 可用），全部失败则中止
生成 service 文件内容，展示完整内容后请求用户确认再写入
service 文件写入位置：~/.config/systemd/user/funasr-task-manager-backend.service
unit 文件关键差异（与系统级对比）：
- 不要包含 User= 行（用户级服务自动以当前用户运行）
- WantedBy=default.target（而非 multi-user.target）
已有同名 service → 先展示 diff 让用户选择覆盖/跳过
systemctl --user daemon-reload && systemctl --user enable --now funasr-task-manager-backend
等待 5 秒后验证 systemctl --user is-active funasr-task-manager-backend + curl /health
版本一致性校验（与 Phase 2 相同逻辑）：
- 从 /health 提取 git_sha，与 git rev-parse --short HEAD 比对
- 不一致 → 告警并询问是否 systemctl --user restart funasr-task-manager-backend
- 重启后重新校验直到一致
确保 loginctl enable-linger $USER（使服务在用户未登录时也能运行）

安全规则：写入 ~/.config/systemd/user/ 不需要 sudo。唯一可能需要 sudo 的操作是清理旧的系统级服务，此时必须展示完整命令让用户确认。

详细的 unit 文件模板、参数收集流程、验证输出和故障排查见 references/systemd-setup.md。

错误处理

场景	Agent 应做的事	不应做的事
CLI 报"无法连接到服务器"或错误信息为空	执行 `python -m cli config get server` 检查地址，确认是否指向正确的 `http://localhost:15797`；如不正确则 `config set server` 修正	假设后端未启动而反复重启；忽略空错误信息
Unicorn 安装失败	回退到直接使用系统 Python，提示手动创建 venv	放弃安装
pip install 报错	展示完整错误日志，建议检查网络或 Python 版本	静默跳过
ffprobe 安装失败	展示错误，提示手动安装方法；标记 warning 但不阻断后续步骤	跳过不报告（会导致分段功能静默失效）
Docker build 失败	展示 build 日志最后 30 行，分析原因	反复重试
端口被占用	提示杀掉占用进程或换端口	强制 kill
数据库迁移失败	展示错误，建议 `alembic downgrade base && alembic upgrade head`	删除数据库文件
Skill 目录不存在	创建目录后重试	跳过 Skill 安装
Agent 平台无法识别	提供通用说明，让用户手动复制到对应目录	猜测平台路径
systemctl 不可用	提示替代方案（nohup、screen、tmux）或展示命令让用户手动执行	强行写入
已有系统级服务	引导用户先 `sudo systemctl disable --now` 旧服务再创建用户级服务	直接覆盖或同时运行两个实例

与其他 Skill 的关系

前置 Skill：本 Skill 是所有其他 Skill 的前置条件——后端不可达时，其他 Skill 均无法运行
被 funasr-task-manager-channel-intake 引用：intake 在 Phase 2 检查后端健康时，如果失败可引导用户进入本 Skill
被 funasr-task-manager-local-batch-transcribe 引用：batch-transcribe 在 Phase 0 检查后端时，如不可达则触发本 Skill；Phase 5.5 为其创建运行时目录
被 funasr-task-manager-server-benchmark 引用：benchmark 需要后端运行

name	funasr-task-manager-init
description	Bootstrap the funasr-task-manager development environment from scratch. Use when: first-time setup, checking if repo is cloned, installing dependencies (Python/Unicorn or Docker), or starting backend/frontend services for the first time.

	运行中	仓库
version	{RUNNING_VERSION}	{REPO_VERSION}
git_sha	{RUNNING_SHA}	{REPO_SHA}
启动时间	{RUNNING_STARTED}

funasr-task-manager-init

同仓库更多 Skills

同仓库更多 Skills

环境初始化与启动

触发条件

自动触发

用户显式触发

关键词

执行流程

Phase 1：检查仓库状态

Phase 2：检查后端运行状态

Phase 3：选择安装方式

Phase 4A：Python 环境安装

Step 1：检查现有 Python 环境是否已满足

Step 2：尝试 Unicorn 环境（优先但非必选）

Step 3：安装后端依赖

Step 4：检查 ffmpeg / ffprobe

Step 5：初始化数据库

Step 6：启动后端

Step 7：验证 CLI 配置

Phase 4B：Docker 环境安装

Step 1：检查 Docker 是否可用

Step 2：检查 Docker 运行状态

Step 3：检查系统资源

Step 4：构建并启动

Phase 5：启动验证与报告

Phase 5.5：创建批量转写运行时目录

Phase 6：安装 Skills 到 Agent 平台

6A：OpenClaw

6B：Hermes

6C：Cursor

6D：跳过

安装后验证

Phase 7：配置渠道凭据与实时通知（可选）

7.1 配置实时通知凭据（飞书选项额外步骤）

Phase 7.5：OpenClaw 部署同步检查（OpenClaw 环境强制）

7.5a：检查 cli notify 是否可用

7.5b：检查 Skill 版本一致性

7.5c：版本声明检查

7.5d：输出同步报告

Phase 8：systemd 用户级服务守护（可选，仅 Python 环境 + Linux）

错误处理

与其他 Skill 的关系

相关文件

环境初始化与启动

触发条件

自动触发

用户显式触发

关键词

执行流程

Phase 1：检查仓库状态

Phase 2：检查后端运行状态

Phase 3：选择安装方式

Phase 4A：Python 环境安装

Step 1：检查现有 Python 环境是否已满足

Step 2：尝试 Unicorn 环境（优先但非必选）

Step 3：安装后端依赖

Step 4：检查 ffmpeg / ffprobe

Step 5：初始化数据库

Step 6：启动后端

Step 7：验证 CLI 配置

Phase 4B：Docker 环境安装

Step 1：检查 Docker 是否可用

Step 2：检查 Docker 运行状态

Step 3：检查系统资源

Step 4：构建并启动

Phase 5：启动验证与报告

Phase 5.5：创建批量转写运行时目录

Phase 6：安装 Skills 到 Agent 平台

6A：OpenClaw

6B：Hermes

6C：Cursor

6D：跳过

安装后验证

Phase 7：配置渠道凭据与实时通知（可选）

7.1 配置实时通知凭据（飞书选项额外步骤）

Phase 7.5：OpenClaw 部署同步检查（OpenClaw 环境强制）

7.5a：检查 cli notify 是否可用

7.5b：检查 Skill 版本一致性

7.5c：版本声明检查

7.5a：检查 `cli notify` 是否可用

7.5a：检查 `cli notify` 是否可用