带审批门的 AI 工作流引擎

Lobster 是带审批门的确定性工作流运行时，通过预定义管道替代反复规划，显著节省 token 消耗，适合需人工确认的多步骤自动化场景。

基本信息

• 技能名称?Lobster
• 中文名称?带审批门的 AI 工作流引擎
• 作者?guwidoe
• 分类?专业技能
• 版本?1.0.1
• 标签?workflow-automation, cli-tool, approval-gates, stateful-pipelines, ai-agent, json-processing, deterministic-execution, token-optimization

使用方法

使用说明
核心定位
Lobster 是一款面向 AI Agent 的 工作流运行时 ，核心解决「AI 重复规划导致 token 浪费」与「关键操作缺乏人工把控」两大痛点。它采用声明式管道语法，将多步骤任务编码为可复用的确定性流程，而非让 LLM 每步重新推理。
核心用法

1. 管道式命令组合
   $LOBSTER 'exec --json --shell "gh pr list ..." | where "state=MERGED" | table' 支持 15+ 原子命令（filter/project/sort/group/dedupe/map/template 等），数据以 JSON 流传递。
2. 审批门机制
   管道中插入 approve --prompt "..." 即触发暂停，返回含 resumeToken 的 JSON 信封，需显式 --approve yes|no 续行，防止误操作。
3. 状态化运行
   diff.last --key "..." 与 state.get/set 支持跨执行周期的记忆能力，适合监控类场景（如 PR 变更检测）。
4. 工作流文件
   .lobster 文件以 YAML/JSON 声明多步骤流程，支持条件与审批配置，可版本化管理。
   显著优点
   Token 效率 ：确定性管道消除 LLM 的重复规划开销
   安全可控 ：审批门为副作用操作提供人工把关点
   状态持久 ：内置键值存储，原生支持监控/轮询类工作流
   集成友好 ：JSON 信封输出便于嵌入现有系统；支持调用 Clawdbot 工具链
   潜在局限
   学习成本 ：管道语法需适应，复杂逻辑可能不如脚本直观
   调试受限 ：状态持久化带来排查跨周期问题的复杂度
   生态早期 ：内置 workflow 数量有限，多数场景需自行编排
   Node 依赖 ：需 Node.js 运行时环境
   适合人群
   高频执行「监控→审批→执行」类自动化的开发者/运维
   需要降低多步骤 AI 任务 token 消耗的 Agent 构建者
   对关键操作有人工确认合规要求的团队
   常规风险
   状态目录安全 ： ~/.lobster/state/ 存储敏感数据，需确保权限与备份
   Resume Token 泄露 ：令牌可恢复执行流程，传输与存储需加密
   Shell 注入 ： exec --shell 直接执行字符串，输入未严格校验时存在命令注入风险
   审批疲劳 ：过度配置审批门可能导致用户习惯性点击通过，削弱安全价值