colchuck-ai/bird-dogger

Was macht bird-dogger?

Agent-Fähigkeit zum Bird-Dogging – treibt abteilungsübergreifende Arbeitsaufgaben über ansteckbare Tracker (Jira, GitHub Issues, …) hinweg mit lokalem LLM-Triage und anpassbaren Statusberichten voran.

Überblick

Bird-dogger ist eine Agent-Fähigkeit, die KI-Agenten als persistente, aufgabenorientierte Begleiter agieren lässt. Sie verfolgt Arbeitsaufgaben über mehrere Tracker hinweg, schließt sie ab und erstellt Status-Updates – alles über eine konsistente Schnittstelle.

Hauptfunktionen

• Triage: Analysiert neue eingehende Aufgaben (Issues, Tickets) mithilfe eines lokalen LLMs, priorisiert sie und schlägt erste Schritte vor.
• Durchsetzung (Follow-through): Treibt den Fortschritt bestehender Aufgaben voran – sucht nach Blockaden, erinnert an Fristen und eskaliert bei Bedarf.
• Berichterstattung: Erzeugt anpassbare Statusberichte in verschiedenen Formaten (CLI, Markdown, HTML).

Unterstützte Plattformen

• Jira
• GitHub Issues
• GitLab Issues
• Linear
• (Weitere über Plugins)

Voraussetzungen

• Python 3.10+
• Ollama (für lokales LLM) oder eine kompatible OpenAI-API
• Python-Pakete: requests, rich, chromadb (oder qdrant-client), pyyaml

Installation

# Repository klonen
git clone https://github.com/colchuck-ai/bird-dogger.git
cd bird-dogger

# Abhängigkeiten installieren
pip install -r requirements.txt

# Konfiguration kopieren
cp config.example.yaml config.yaml
# Öffnen Sie config.yaml und passen Sie Ihre Tracker und LLM-Einstellungen an

Konfiguration

Erstellen Sie eine config.yaml-Datei:

tracker:
  jira:
    url: "https://your-domain.atlassian.net"
    project: "PROJ"
  github:
    token: "${GITHUB_TOKEN}"
    repo: "owner/repo"

llm:
  provider: "ollama"  # oder "openai"
  model: "llama3.2"   # oder "gpt-4o-mini"
  endpoint: "http://localhost:11434"

reporting:
  format: "markdown"
  schedule: "daily"

feedback_db:
  type: "chroma"
  path: "./feedback_db"

Umgebungsvariablen:

• BIRD_DOGGER_CONFIG: Pfad zur Konfigurationsdatei (Standard: ./config.yaml)
• GITHUB_TOKEN: GitHub-Persönlicher Access Token (falls GitHub verwendet wird)
• JIRA_API_TOKEN: Jira-API-Token (falls Jira verwendet wird)

Verwendung

Triage neuer Aufgaben

python -m bird_dogger triage --limit 5

Durchsetzung (Follow-through)

python -m bird_dogger follow --hours 24

Berichterstellung

python -m bird_dogger report --format markdown

Als Python-Bibliothek

from bird_dogger import BirdDogger

dog = BirdDogger(config_path="./config.yaml")
dog.triage()
dog.follow_through()
report = dog.report()
print(report)

Integration mit KI-Agenten

Bird-dogger kann nahtlos in Agent-Umgebungen wie Claude Code, Cursor oder Codex integriert werden:

Claude Code

claude code --skill ./skill.md

Oder fügen Sie es zu Ihrer skills.toml hinzu:

[[skills]]
name = "bird-dogger"
path = "/pfad/zu/skill.md"

Cursor

Fügen Sie einen Eintrag in Ihrer Cursor-Konfiguration (.cursorrules oder rules/) hinzu.

Codex (CLI)

export CODEX_SKILLS="/pfad/zu/skill.md"

Lokales LLM-Setup

1. Installieren Sie Ollama von ollama.com
2. Ziehen Sie ein Modell:

   ollama pull llama3.2
   

3. Starten Sie den Ollama-Server:

   ollama serve
   

Feedback & Anpassung

Das System lernt aus Ihrem Feedback. Verwenden Sie die --feedback-Option:

python -m bird_dogger feedback --task "TASK-123" --action "priorisiere höher"

Dies speichert das Feedback in der lokalen Vektordatenbank und verbessert zukünftige Triage-Entscheidungen.

Lizenz

MIT