SkillFlow

中文 | English

把零散 Codex Skills 编排成可视化、可测试、可导出的 Agent Workflow。

SkillFlow 是把单点 Skill 升级为可视化、可测试、可交付 Agent Workflow 的本地优先基础设施。

AI 的下一阶段，不应该只是“调用一个 Skill 完成一次任务”。真正有价值的 AI 系统，需要把能力组织成清晰的执行链：每一步可观察，每个节点可测试，每次运行可调试，每个结果可导出，每条 Workflow 都能沉淀为可复用资产。

SkillFlow 正在提出并实践一种新的 Skill Graph / Skill Workflow 产品范式：把单个 Skill 从“孤立能力”变成“可编排、可验证、可交付的智能工作流组件”。这是我们首次在 SkillFlow 中把这一理念产品化为本地可运行的 Skill Workflow Builder。

Import Skills -> Compose Workflow -> Test Nodes -> Dry-run -> Debug -> Export Package

如果你相信 Skill 应该进化成 Workflow，欢迎 star。SkillFlow 想把 AI 工作流从 Prompt demo 推进到可观察、可测试、可分享的 Skill Graph。

想帮它被更多人看见？这里有可直接发布的冷启动文案和社区帖子：Launch Kit。

一句话

SkillFlow 让开发者把 Codex Skills 像业务流程一样连接起来，形成一条能看见、能验证、能运行、能分享的 Agent Workflow。

它面向的不是一次性的 Prompt demo，而是未来可沉淀、可复用、可分发的 AI 工作流资产。

为什么 SkillFlow 重要

现在的 AI Skill 很强，但大多还是单点能力：会写、会查、会审、会生成、会操作。问题是，真实工作不是一个动作，而是一条链路。

一个代码审查 Workflow 可能需要读取上下文、分析风险、生成建议、输出报告。一个研究 Workflow 可能需要拆解问题、整理材料、交叉验证、生成 Artifact。一个产品 Workflow 可能要从需求、PRD、Issues 一直走到实现计划。

如果这些步骤都藏在一个 Prompt 里，系统就很难调试，也很难复用。SkillFlow 把它们拆成节点，连成图，再让每个节点都能被测试、解释和修复。

这意味着 AI 工作流可以从“凭感觉运行”进入“工程化交付”。

Why Now

Codex Skills、OpenAI-compatible Provider、DeepSeek / OpenAI 生态和本地 agent tooling 正在快速变多。能力供给变多以后，新的瓶颈不再是“有没有一个 Skill”，而是“如何把多个 Skill 组织成稳定系统”。

SkillFlow 解决的是这个中间层：把 Skills 组织成 Skill Graph，并给它补上测试、Dry-run、Context Diff、Artifact 和 package export。

它重新定义了什么

• Skill 不再只是插件，而是 Workflow 节点：每个 Skill 都可以成为执行链上的一个可检查能力单元。
• Workflow 不再只是线性脚本，而是 Skill Graph：节点、连接、Context、Artifact 和运行状态都可见。
• 测试不再只看最终回答，而是下钻到节点：你能知道某个 Skill 是干什么的、需要什么输入、会不会产出你想要的东西。
• AI 自动化不再是黑盒，而是可调试系统：Dry-run、Context Diff、日志、Artifact 和失败重试组成完整排查路径。
• 分享不再只是复制 Prompt，而是发布 Workflow package：.skillflow package 可以保存 spec、manifest、Skill snapshots 和校验信息。

核心能力

1. 从 Skill 到完整 Workflow

导入本地 Skill、粘贴 SKILL.md、接入 Git URL 或重新导入 .skillflow package，然后一键加入画布。默认链路是清晰的 开始 -> Skill -> Skill -> 结束，像 Coze 式工作流一样直观。

2. 节点级 AI 测试

每个节点都能连接 DeepSeek、OpenAI 或自定义 OpenAI-compatible Provider。SkillFlow 会帮助你看懂这个节点能做什么、需要什么输入、会输出什么、有哪些权限风险，以及是否值得放进当前 Workflow。

3. Workflow 级 Dry-run 与排查

整条 Workflow 默认 Dry-run。运行前有 preflight 检查，运行后可以看到节点时间线、Context Diff、Artifact、日志、失败节点和重试入口。它让 Agent Workflow 从“跑一下看看”变成“可以定位问题”。

4. 本地优先的安全执行模型

数据、本地 SQLite、Provider API Key 和运行上下文都在本机。API Key 本地加密保存，不以明文返回前端。真实 codex exec、shell、网络、文件写入和未信任 Skill 都需要明确确认。

5. 可交付的 .skillflow package

导出时会生成 skillflow.v1.json/yaml、manifest.json、skills.json、SKILL.md 和 .codex-plugin/plugin.json。导出后会校验 checksum，并支持重新导入验证，让 Workflow 真正成为可分享、可安装、可复用的资产。

真实使用路径

1. 导入 Skill
2. 加入 Workflow 画布
3. 自动串联或手动连接节点
4. 选择节点，运行 AI 节点测试
5. Dry-run 整条 Workflow
6. 查看 Context Diff、Artifact 和失败节点
7. 修复或重试
8. 导出 `.skillflow` package
9. 重新导入验证 package 可恢复

这条路径覆盖了从“我有一些零散 Skills”到“我有一个完整 Skill Workflow 资产”的闭环。

AI 节点测试与 Workflow 调试

SkillFlow 的重点不是再做一个聊天框，而是让 AI 进入 Workflow 调试过程。

• 对 Skill 节点：解析关联 SKILL.md，生成能力画像、输入要求、输出预期和风险说明。
• 对 Prompt / Condition / Approval / Artifact / Command 节点：按节点类型做可用性检查。
• 对 Command 节点：默认只做静态风险分析，不直接执行危险命令。
• 对 Workflow：按执行顺序模拟输入输出，生成节点状态、日志、Context Diff 和整体评分。

AI 在这里不是替你盲目改画布，而是先生成草案、建议和 diff。用户确认后才写回当前 Workflow。

本地优先与安全模型

SkillFlow 当前定位是本地单用户开源工具。默认策略是保守、安全、可控：

• 默认 Dry-run，不直接真实执行。
• 真实运行必须经过运行前确认。
• Git / Marketplace 来源默认 untrusted。
• shell、network、write 权限会被明确提示。
• Provider API Key 本地加密保存。
• CORS 默认只允许本机开发地址。
• 可通过 SKILLFLOW_HOME 指定本地数据目录。

这让 SkillFlow 适合做个人、团队内部和开源生态中的 AI 工作流实验场，而不是把敏感上下文直接丢给云端黑盒。

导出与分享

SkillFlow 的目标不是只让 Workflow “能画出来”，而是让它可以交付。

默认导出目录：

exports/<workflow-id>.skillflow

Package 内容：

• skillflow.v1.json
• skillflow.v1.yaml
• manifest.json
• skills.json
• preview.md
• SKILL.md
• .codex-plugin/plugin.json

导出后会立即验证 package，并支持重新导入。未来的 Skill 工作流不应该只是截图或 Prompt 文本，而应该是带版本、校验、Skill snapshots 和执行策略的可分发资产。

Examples

仓库内置 3 个可重新导入的 .skillflow 示例：

Example	目标	节点链路	适合谁
examples/code-review.skillflow	把代码审查 Skill 串成审查报告 Workflow	读取变更上下文 -> 识别风险与缺口 -> 生成审查报告	开发者、Reviewer、AI coding agent 用户
examples/research-to-report.skillflow	从研究问题到结构化报告	拆解研究问题 -> 综合证据材料 -> 输出研究报告	研究、内容、咨询、知识工作
examples/prd-to-issues.skillflow	从 PRD 生成可执行 Issues	读取 PRD 意图 -> 切分实现范围 -> 生成 Issues 草案	产品、工程团队、独立开发者

在应用的 导入 页填写示例目录路径，即可验证 package 并重新导入。

Launch Notes

中文短帖：

我做了一个叫 SkillFlow 的开源工具，想验证一个想法：AI Skill 不应该只是一个个孤立插件，而应该组成可观察、可测试、可导出的 Skill Graph。它可以导入 Codex Skill，串成 Workflow，逐节点测试，Dry-run，调试 Context Diff，最后导出 .skillflow package。

English short post:

I built SkillFlow to explore a simple idea: standalone AI Skills should become testable Skill Graphs. Import Codex Skills, compose them visually, test each node, Dry-run the workflow, debug Context Diff, and export a shareable .skillflow package.

更多版本见 docs/launch：V2EX、掘金/知乎、X/Twitter、Reddit 和 7 天冷启动节奏。

Quick Start

npm install
npm run dev

打开：

http://localhost:5173

API 默认运行在：

http://localhost:8787

配置

需要覆盖本地配置时：

cp .env.example .env

常用变量：

• PORT：API 端口，默认 8787。
• SKILLFLOW_HOME：本地数据目录，默认 .skillflow。
• SKILLFLOW_SECRET：Provider API Key 加密密钥，正式使用前建议设置。
• SKILLFLOW_CORS_ORIGIN：允许访问 API 的前端来源。
• VITE_API_BASE：前端 API 地址。

Provider

在应用内打开 模型设置，可配置：

• DeepSeek：默认 https://api.deepseek.com/v1，模型 deepseek-chat。
• OpenAI：默认 https://api.openai.com/v1。
• Custom：任意 OpenAI-compatible chat completions endpoint。

建议先点击 测试连接，再运行节点测试或 Workflow 测试。

开发与验证

npm run lint
npm test
npm run build
npm run test:e2e
npm run check

npm run check 会聚合 lint、单元/API 测试、生产构建和 Playwright E2E。

Project Status

SkillFlow 当前是 local single-user open source v1。它不是账号系统、云同步平台、收费市场或社区评论平台。

第一阶段目标很明确：把 Skill Workflow 的本地编排、节点测试、Dry-run、调试、导出和重新导入闭环做扎实。更大的愿景，是让 Skill Workflow 成为下一代 Agent 应用的基础资产格式。

License

MIT