牛马Skill (CowHorseSkill)
主动询问用户的输入、输出和客观需求，通过迭代确认构建可复用的 workflow skill。
Workflow
Step 1: Discovery (初始需求挖掘)
When user describes a task they want AI to support, actively lead the conversation — don't wait for the user to volunteer details. Ask the following questions one at a time, wait for each answer before proceeding.
1.1 Goal Clarification (目标澄清)
- - 您最终要交付什么结果？
- "完成"的定义是什么？怎么算做好了？
- 这个工作流解决的核心问题是什么？
1.2 Input Specification (输入规格)
每次必须问清楚以下所有维度：
| 维度 | 必问问题 |
|---|
| 数据来源 | 数据从哪来？文件、API、数据库、还是手动输入？ |
| 文件格式 |
是 .xlsx / .csv / .json / .txt / 其他？ |
|
文件位置 | 文件在哪？本地路径、网盘、飞书文档？ |
|
数据结构 | 数据长什么样？有哪些列/字段？有表头吗？ |
|
数据量 | 大概多少条/多少文件？ |
|
数据质量 | 有脏数据吗？缺失值、格式不一致怎么处理？ |
|
参数 | 需要用户传入什么参数？（筛选条件、时间范围、阈值等） |
追问策略： 如果用户说"一个Excel"，必须追问：
- - 里面有哪些 sheet？
- 每个 sheet 的表头是什么？
- 有没有合并单元格？
- 大概多少行数据？
1.3 Output Specification (输出规格)
每次必须问清楚以下所有维度：
| 维度 | 必问问题 |
|---|
| 产出形式 | 输出是文件、表格、图表、报告、还是直接执行动作？ |
| 文件格式 |
输出什么格式？.xlsx / .pdf / .html / .png / 控制台打印？ |
|
输出位置 | 输出到哪里？本地路径、飞书文档、邮件发送？ |
|
输出内容 | 具体包含哪些信息？汇总数据、明细、统计指标？ |
|
输出格式要求 | 有模板吗？需要特定排版、颜色、公式吗？ |
|
输出粒度 | 是汇总还是明细？按什么维度分组？ |
追问策略： 如果用户说"生成一个报表"，必须追问：
- - 报表里具体要哪些字段？
- 需要排序吗？按什么排？
- 需要筛选/过滤吗？条件是什么？
- 需要统计计算吗？（求和、平均、计数等）
1.4 Process Steps (流程步骤)
- - 整个流程分几步？每一步做什么？
- 哪些步骤是手动的？哪些需要自动化？
- 步骤之间有依赖关系吗？顺序能变吗？
1.5 Constraints (约束条件)
- - 有什么时间要求？（定时执行、截止日期）
- 有什么技术限制？（必须用某个工具、不能联网等）
- 有什么业务规则？（特殊计算方式、例外情况）
- 有什么性能要求？（处理速度、数据量上限）
核心原则：不假设，不猜测，不确定就问。
处理用户输入时：
- - 接受中英文拼写错误
- 项目名/表单名允许模糊匹配
- 不确定时问用户确认，不要假设
Step 2: Confirmation (需求确认)
After initial discovery, present a structured summary. 每个维度必须明确，不能留"待定"。
CODEBLOCK0
Wait for user confirmation. Iterate until user says "确认" or "可以".
Step 3: Build (构建Skill)
Once confirmed, build the skill:
- 1. Create skill directory using
scripts/init_skill.py from skill-creator - Write SKILL.md with:
- Frontmatter: name, description (triggers + when to use)
- Body: Complete workflow instructions, all steps, decision trees
- 3. Add scripts if automation is needed:
- Python scripts for data processing, file operations, etc.
- Shell scripts for system commands
- 4. Add references if domain knowledge is needed:
- Schemas, API docs, business rules, templates
- 5. Add assets if output files are needed:
- Templates, boilerplate, sample data
Skill structure:
CODEBLOCK1
Step 4: Present and Validate (呈现确认)
After building:
- 1. Show the skill structure - List all files created
- Show SKILL.md summary - Key sections and triggers
- Test the skill - Run a sample execution if possible
- Ask for feedback - Does this match what you need?
- Iterate - Update based on feedback
Step 5: Finalize (完成)
- 1. Package the skill using
scripts/package_skill.py from skill-creator - Update MEMORY.md with the new skill info
- Notify user - Skill is ready for use
Fuzzy Matching Rules
When processing user input for names, paths, or identifiers:
- 1. Trim whitespace and normalize case
- Strip punctuation from start/end
- Allow partial matches for long strings (e.g., "孝感中心" matches "孝感中心医院东城院区")
- Handle common typos for known values (e.g., "受理单" vs "受理单据")
- When uncertain, ask - "您是指 X 还是 Y？"
Error Handling
- - If a step fails, report the error clearly
- Do not silently skip failed steps
- Ask user how to proceed
- Keep a log of what was done for debugging
Resources
scripts/
- -
scripts/init_skill.py - From skill-creator, initialize new skill - INLINECODE3 - From skill-creator, package skill to .skill
- Add custom scripts as needed for the specific workflow
references/
- -
references/workflow_guide.md - Detailed workflow patterns and examples - Add domain-specific references as needed
assets/
- - Add templates, boilerplate, or sample data as needed
牛马Skill (CowHorseSkill)
主动询问用户的输入、输出和客观需求，通过迭代确认构建可复用的 workflow skill。
Workflow
Step 1: Discovery (初始需求挖掘)
当用户描述希望 AI 支持的任务时，主动引导对话——不要等待用户主动提供细节。一次只问一个问题，等待每个回答后再继续。
1.1 Goal Clarification (目标澄清)
- - 您最终要交付什么结果？
- 完成的定义是什么？怎么算做好了？
- 这个工作流解决的核心问题是什么？
1.2 Input Specification (输入规格)
每次必须问清楚以下所有维度：
| 维度 | 必问问题 |
|---|
| 数据来源 | 数据从哪来？文件、API、数据库、还是手动输入？ |
| 文件格式 |
是 .xlsx / .csv / .json / .txt / 其他？ |
|
文件位置 | 文件在哪？本地路径、网盘、飞书文档？ |
|
数据结构 | 数据长什么样？有哪些列/字段？有表头吗？ |
|
数据量 | 大概多少条/多少文件？ |
|
数据质量 | 有脏数据吗？缺失值、格式不一致怎么处理？ |
|
参数 | 需要用户传入什么参数？（筛选条件、时间范围、阈值等） |
追问策略： 如果用户说一个Excel，必须追问：
- - 里面有哪些 sheet？
- 每个 sheet 的表头是什么？
- 有没有合并单元格？
- 大概多少行数据？
1.3 Output Specification (输出规格)
每次必须问清楚以下所有维度：
| 维度 | 必问问题 |
|---|
| 产出形式 | 输出是文件、表格、图表、报告、还是直接执行动作？ |
| 文件格式 |
输出什么格式？.xlsx / .pdf / .html / .png / 控制台打印？ |
|
输出位置 | 输出到哪里？本地路径、飞书文档、邮件发送？ |
|
输出内容 | 具体包含哪些信息？汇总数据、明细、统计指标？ |
|
输出格式要求 | 有模板吗？需要特定排版、颜色、公式吗？ |
|
输出粒度 | 是汇总还是明细？按什么维度分组？ |
追问策略： 如果用户说生成一个报表，必须追问：
- - 报表里具体要哪些字段？
- 需要排序吗？按什么排？
- 需要筛选/过滤吗？条件是什么？
- 需要统计计算吗？（求和、平均、计数等）
1.4 Process Steps (流程步骤)
- - 整个流程分几步？每一步做什么？
- 哪些步骤是手动的？哪些需要自动化？
- 步骤之间有依赖关系吗？顺序能变吗？
1.5 Constraints (约束条件)
- - 有什么时间要求？（定时执行、截止日期）
- 有什么技术限制？（必须用某个工具、不能联网等）
- 有什么业务规则？（特殊计算方式、例外情况）
- 有什么性能要求？（处理速度、数据量上限）
核心原则：不假设，不猜测，不确定就问。
处理用户输入时：
- - 接受中英文拼写错误
- 项目名/表单名允许模糊匹配
- 不确定时问用户确认，不要假设
Step 2: Confirmation (需求确认)
在初始挖掘之后，呈现结构化的总结。每个维度必须明确，不能留待定。
工作流需求确认
目标
[用户描述的目标 — 一句话概括]
输入规格
| 项目 | 详情 |
|---|
| 数据来源 | [文件路径 / API / 手动输入] |
| 文件格式 |
[.xlsx / .csv / .json 等] |
| 数据结构 | [表头列名、数据类型] |
| 数据量 | [行数/文件数] |
| 输入参数 | [筛选条件、时间范围等] |
| 脏数据处理 | [缺失值/异常值策略] |
输出规格
| 项目 | 详情 |
|---|
| 产出形式 | [文件 / 报表 / 图表 / 动作] |
| 输出格式 |
[.xlsx / .pdf / 控制台 等] |
| 输出位置 | [本地路径 / 飞书 / 邮件] |
| 输出内容 | [包含的字段/信息] |
| 排序/筛选 | [排序字段、筛选条件] |
| 统计计算 | [求和、平均、计数等] |
| 格式要求 | [模板、颜色、公式] |
流程步骤
- 1. [步骤1 — 明确输入→输出]
- [步骤2]
...
约束条件
确认问题
- 1. 以上输入/输出规格是否正确？
- 步骤顺序和依赖关系对吗？
- 哪些步骤需要自动化，哪些保留手动？
- 有遗漏的字段或规则吗？
等待用户确认。迭代直到用户说确认或可以。
Step 3: Build (构建Skill)
确认后，构建 skill：
- 1. 创建 skill 目录，使用 skill-creator 中的 scripts/init_skill.py
- 编写 SKILL.md，包含：
- 前置元数据：名称、描述（触发条件 + 使用时机）
- 正文：完整的工作流指令、所有步骤、决策树
- 3. 添加脚本（如果需要自动化）：
- 用于数据处理、文件操作等的 Python 脚本
- 用于系统命令的 Shell 脚本
- 4. 添加参考资料（如果需要领域知识）：
- 模式、API 文档、业务规则、模板
- 5. 添加资源文件（如果需要输出文件）：
- 模板、样板文件、示例数据
Skill 结构：
skill-name/
├── SKILL.md (必需)
├── scripts/ (可选)
│ ├── main_script.py
│ └── helpers.py
├── references/ (可选)
│ └── workflow_guide.md
└── assets/ (可选)
└── template.xlsx
Step 4: Present and Validate (呈现确认)
构建完成后：
- 1. 展示 skill 结构 - 列出所有创建的文件
- 展示 SKILL.md 摘要 - 关键部分和触发条件
- 测试 skill - 如果可能，运行一次示例执行
- 征求反馈 - 这符合您的需求吗？
- 迭代 - 根据反馈进行更新
Step 5: Finalize (完成)
- 1. 打包 skill，使用 skill-creator 中的 scripts/package_skill.py
- 更新 MEMORY.md，添加新的 skill 信息
- 通知用户 - Skill 已准备好使用
Fuzzy Matching Rules (模糊匹配规则)
处理用户输入的名称、路径或标识符时：
- 1. 去除空格并统一大小写
- 去除首尾标点符号
- 允许长字符串的部分匹配（例如，孝感中心匹配孝感中心医院东城院区）
- 处理已知值的常见拼写错误（例如，受理单与受理单据）
- 不确定时询问 - 您是指 X 还是 Y？
Error Handling (错误处理)
- - 如果某一步失败，清晰报告错误
- 不要静默跳过失败的步骤
- 询问用户如何继续
- 记录已执行的操作以便调试
Resources (资源)
scripts/
- - scripts/initskill.py - 来自 skill-creator，初始化新 skill
- scripts/packageskill.py - 来自 skill-creator，将 skill 打包为 .skill
- 根据具体工作流需要添加自定义脚本
references/
- - references/workflow_guide.md - 详细的工作流模式和示例
- 根据需要添加领域特定的参考资料
assets/
