自然语言搭建自动化工作流
将以下提示词粘贴到你的 AI 对话框中:
请根据 https://skillhub.cn/install/skillhub.md,安装 @user_1793b15c/nl2flow。
技能介绍
解决什么具体问题
固定、高频的自动化任务——每天抓新闻总结、每周读文档出报告、监控价格告警——如果每次都当日作业现问 LLM,动作慢,成本还会随着次数不断上升。NL2Flow 把这类需求一次生成、永久免费本地跑:自然语言会被写成结构化的 Manifest,再落地为可执行脚本与定时调度;跑通一次后还能固化模板,相似请求就直接命中本地库。
技能如何工作
入口是 nl2flow_cli.py,通过 python nl2flow_cli.py 调用 build、save-template、run-template、deploy、unregister 等子命令。解析层 nl2flow_parser.py 用纯规则从自然语言抽取步骤、触发器与护栏条件;生成层 nl2flow_generator.py 再将 Manifest 渲染成 Python 脚本与 crontab 片段;nl2flow_renderer.py 负责确认卡,让用户在部署前看到完整语义。固化闭环由 template_matcher.py 守护,对流程做结构指纹计算,命中已有模板就能跳过 LLM。运行时 nl2flow_runtime.py 提供 fetch、summarize、send 等工具,并内建离线降级逻辑:缺网或缺密钥时不会中断,而是落到本地摘要。
部署层 deploy.py 执行四条铁律:一是模型批准关卡,任何含 llm_summarize 的流程在 deploy 前都要登记 nl2flow-approvals.json,非交互调度器未批准就会被拒绝;二是 OPENAI_BASE_URL 透传,llm_summarize 会把环境变量交给 OpenAI 兼容客户端,切换 DeepSeek、通义千问或本地 Ollama 只需要改配置;三是 cron 频率下限设成 ≥60 分钟,挡住 * * * * * 这类高频调用;四是诚实失败,schtasks 被沙箱拦截时会明确报告失败,凭 health 与 alerts 子命令读取 {flow}.alerts.jsonl 和 {flow}.last_run.json。model_approval.py 单独维护批准登记,确保离线场景也不构造 OpenAI 客户端。
适用边界与注意点
这个技能是 WorkBuddy 内的「去 LLM 化沉淀层」与「skill-creator 的治理约束层」,不是通用自动化平台,也不是专门用来造 skill 的元技能。它锁定的动作是解析、生成、部署与运行期降级,不会替你重新设计 Agent 的故障恢复策略。不要把 60 分钟频率下限当成推荐值,始终需要手动调频并自行承担风险。部署前如果想调整模型供应商,记得先在批准文件里登记;任何本地代码变更后,跑一遍 tests/run_regression.py,115 项断言全绿才算交付。
使用场景
- 需要每天抓取多个新闻源、生成摘要并发邮件,手工处理慢且每次都耗 token。NL2Flow 解析需求后生成结构化 Manifest,转为 Python 脚本并注册定时调度。
- 你接手一批文档,每周要为每个主题产出摘要并发给相关人,工作重复但内容固定。套用 `weekly_report` 模板,把例行工作固化成可重复执行的任务。
- 关注一组产品的价格,超过阈值需要发出告警。自己写抓取和通知逻辑成本高,改用 `price_monitor` 模板即可完成采集、判断和告警。
- 某个流程已经在测试环境跑通,遇到相似请求时希望直接命中模板执行,而不是重新生成脚本或调用 LLM。用 `save-template` 和 `run-template` 加上模板匹配器即可。
适合人员
- 后端工程师,想把重复的网络抓取、清洗和摘要挂到 cron,但担心长期 token 消耗。
- CI 管道维护者,需要在非交互的调度器里用模型批准闸门拦下未登记调用。
- 负责模型成本的平台工程师,想让每个任务在部署前先登记模型供应商与预算。
- 需要每周汇总大量文档并分发的知识型工作者,希望流程固化成模板而不反复重跑。