📦 Workflow Decomposer — 工作流拆解

v1.0.0

将复杂任务一键拆成可执行步骤，智能匹配最佳模型并实时跟踪进度，卡顿时自动诊断给出修复建议，全程本地读写 JSON 状态文件，安全无外部请求。

0· 580·1 当前·1 累计

by @lpj18337105261·MIT-0

工作流 AI模型访问生产力工具开发工具自动化

下载技能包

License

MIT-0

最后更新

2026/4/9

安全扫描

VirusTotal

可疑

查看报告

OpenClaw

安全

high confidence

此技能仅读写本地 JSON 状态文件，不索取密钥也不访问外网；功能与描述一致，用于工作流拆解与进度跟踪，并含模型选择指导。

评估建议

该技能整体连贯且无恶意，但安装前请确认：① 会在 agent/workspace 写入 workflow-state.json，如需隔离请使用独立工作区或重定向路径；② 模板默认偏好 Alibaba Qwen 模型，请确保运行时可用或手动替换为可信模型；③ 文档提及自动触发与 web_fetch 能力，但安装包内无触发器与网络集成——若需后台自动运行或联网抓取，请自行验证运行时行为；④ 技能不请求任何密钥或外部 URL。如需更高保障，可阅读两个简短 Python 脚本确认文件路径，或在沙箱环境运行。若发布者未知且需来源可信，建议选择更透明或元数据更丰富的技能。...

详细分析 ▾

ℹ 用途与能力

名称/描述（工作流拆解+模型编排）与所含模板及两个管理状态的 Python 脚本一致，未索取无关凭证或系统访问。微小差异：README 提及“自动触发”，但发布标志未设置 always:true 且无安装触发器——属文档表述不一致而非技术风险。

ℹ 指令范围

SKILL.md 聚焦拆解、模型选择、进度跟踪与卡步诊断，未指示读取密钥或访问外网。脚本读写 workflow-state.json（或 workspace/memory/workflow-state.json），会在 agent/workspace 文件系统持久化状态。文档提到 web_fetch/web_search 及运行时模型可用性作为选模型依据，但技能本身不要求也不配置网络访问——此为指令中的功能假设，运行时未必成立。

✓ 安装机制

无安装规范，仅指令+小型本地脚本，技能包自身不执行下载或第三方包安装。

✓ 凭证需求

技能未声明环境变量、凭证或特殊配置路径，仅读写本地状态文件，无密钥访问与声明目的相符。

ℹ 持久化与权限

技能非常驻启用，可正常调用模型。会在工作目录生成 workflow-state.json，并在使用 workflow_tracker.py 时写入 workspace/memory/workflow-state.json。写入工作区属进度跟踪所需，用户应知悉相关文件将被创建/修改。

安全有层次，运行前请审查代码。

License

MIT-0

可自由使用、修改和再分发，无需署名。

查看条款 ↗

运行时依赖

无特殊依赖

版本

latestv1.0.02026/3/3

workflow-decomposer v1.0.0 - 初始发布。 - 支持将复杂工作流分解为清晰可执行步骤。 - 依据明确选择规则为每一步分配最合适模型。 - 全程跟踪工作流进度与模型使用情况。 - 为卡住的长时间任务提供内置故障排查与解决方案建议。 - 提供标准化、用户友好的工作流报告，确保透明与清晰。

● 可疑

安装命令

点击复制

官方npx clawhub@latest install workflow-decomposer

镜像加速npx clawhub@latest install workflow-decomposer --registry https://cn.longxiaskill.com

技能文档

核心功能

本技能负责将复杂工作任务拆解为详细、可执行的步骤，并为每个步骤选择最合适的模型进行执行。

模型选择策略

推理模型优先级

首选: 当前可用的最强推理模型
次选: 如果有多个强推理模型，优先使用最新模型
再次: 如果仍有多个，优先使用阿里系模型 (Qwen 系列)
最后: 任意选择一个

模型输出要求

每次任务拆解后必须输出:

任务拆解使用的模型: 明确告知使用的是哪个模型
当前工作流进度: 清晰标识进行到了哪一步 (如: 步骤 2/8)
当前步骤使用的模型: 说明该步骤由哪个模型执行

任务拆解流程

步骤 1: 接收任务

理解用户的核心需求
识别任务的复杂度和范围

步骤 2: 任务分析

分析任务需要的技能类型 (编码、写作、分析、创作等)
识别潜在的依赖关系和前置条件

步骤 3: 步骤拆解

将任务拆解为详细、可执行的子步骤
确保每个步骤都是可实现的，不胡编乱造
为每个步骤估算所需时间和复杂度

步骤 4: 模型匹配

根据每个步骤的特性选择最合适的模型
考虑因素: 模型专长、上下文长度、推理能力、速度

步骤 5: 执行与跟踪

按顺序执行每个步骤
跟踪进度并记录使用的模型
生成适合当前模型理解的内容格式

步骤 6: 问题处理

如果某步骤卡住超过合理时间，诊断问题
提供问题分析和至少 2 个解决方案
必要时调整后续步骤

输出格式模板

## 📋 任务拆解报告
拆解模型: [模型名称]
任务: [任务简述]
总步骤数: N
步骤概览
步骤 内容 使用模型 状态
1/5 [步骤描述] [模型名] ✅/⏳/❌
2/5 [步骤描述] [模型名] ✅/⏳/❌
...
当前进度
进行到: 步骤 X/N
当前步骤: [详细描述]
使用模型: [模型名]
预计耗时: [时间]
步骤详情
步骤 X: [步骤名称]目标: [要完成什么]
输入: [需要什么信息/文件]
输出: [产生什么结果]
模型提示: [为该模型优化的执行指令]

问题诊断与解决

当工作流卡在某一步时:

识别问题类型:

- 模型理解错误 - 工具/资源不可用 - 依赖缺失 - 超时/性能问题

提供解决方案:

- 方案 A: [直接解决方法] - 方案 B: [替代路径] - 方案 C: [降级方案]

记录与学习:

- 记录问题原因 - 更新后续步骤的预防措施

模型内容优化

为不同模型生成适合其理解的内容:

强推理模型: 提供详细逻辑链和推理步骤
快速模型: 提供清晰、简洁的指令
代码模型: 提供明确的输入输出格式
创作模型: 提供风格参考和约束条件

使用示例

示例 1: 开发任务

用户: 帮我创建一个待办事项 Web 应用
拆解后:
步骤 1/6: 需求分析 (Qwen3.5-Plus)
步骤 2/6: 技术栈选择 (Qwen3.5-Plus)
步骤 3/6: 项目结构创建 (Claude Code)
步骤 4/6: 前端开发 (Claude Code)
步骤 5/6: 后端开发 (Claude Code)
步骤 6/6: 测试与部署 (Qwen3.5-Plus)

示例 2: 分析任务

用户: 分析这个项目的代码质量
拆解后:
步骤 1/4: 代码库扫描 (Qwen3.5-Plus)
步骤 2/4: 静态分析 (专用工具)
步骤 3/4: 问题分类 (Qwen3.5-Plus)
步骤 4/4: 报告生成 (Qwen3.5-Plus)

注意事项

步骤粒度: 每个步骤应该在 5-30 分钟内可完成
依赖检查: 确保前置步骤完成后才能执行后续步骤
灵活调整: 根据实际情况动态调整步骤和模型选择
透明沟通: 始终让用户知道当前进度和使用的模型

步骤	内容	使用模型	状态
1/5	[步骤描述]	[模型名]	✅/⏳/❌
2/5	[步骤描述]	[模型名]	✅/⏳/❌