skill-to-workflow：将单智能体技能编译为多智能体工作流的元工作流工具

一个能将Claude Agent Skill自动转换为并行多智能体工作流的元工作流工具，通过挖掘技能文本中隐藏的并行结构，实现扇出、管道和对抗性验证，显著缩短执行时间并提升结果质量。

• 原作者/维护者：democra-ai
• 来源平台：github
• 原始标题：skill-to-workflow
• 原始链接：https://github.com/democra-ai/skill-to-workflow
• 来源发布时间/更新时间：2026-05-31T19:45:17Z

原作者与来源

• 原作者/维护者：democra-ai
• 来源平台：github
• 原始标题：skill-to-workflow
• 原始链接：https://github.com/democra-ai/skill-to-workflow
• 来源发布时间/更新时间：2026-05-31T19:45:17Z 原作者与来源\n\n- 原作者/维护者：democra-ai\n- 来源平台：GitHub\n- 原始标题：skill-to-workflow\n- 原始链接：https://github.com/democra-ai/skill-to-workflow\n- 发布时间：2026年5月31日\n\n---\n\n背景与问题\n\n在Claude Code的生态系统中，Agent Skill是用户向Claude传授特定流程的标准方式。一个Skill通常包含一个SKILL.md文件，以及可选的references/、scripts/和assets/目录。这种方式非常直观且易于使用，目前社区中已经积累了数千个Skill。\n\n然而，Skill存在一个根本性的限制：它运行在一个单一的智能体、单一上下文中，一次只能执行一步。当Skill的指令说"检查A、B、C，然后验证每个结果"时，单个智能体会依次执行A，然后B，然后C，最后进行简单的验证——所有操作都是串行完成的。\n\n这种串行执行模式隐藏了一个关键问题：技能文本中描述的依赖结构被扁平化了。原本可以并行执行的独立步骤被迫排队等待，导致整体执行时间延长，且缺乏充分的交叉验证机制。\n\n---\n\n项目概述\n\nskill-to-workflow是一个元工作流（meta-workflow）工具，它能够读取任何Claude Agent Skill，分析其文本中隐含的任务依赖结构，并将其编译成一个多智能体工作流（Workflow）。这个转换过程实现了三个核心升级：\n\n1. 并行化独立步骤：将原本串行执行的独立任务转换为扇出（fan-out）或管道（pipeline）模式，让它们同时运行\n2. 增加对抗性验证：每个发现或结论都会由多个持怀疑态度的智能体进行独立验证，只有通过多数验证的结果才会被保留\n3. 类型化数据传递：在阶段之间使用JSON Schema定义数据接口，使编排逻辑能够基于真实数据进行分支、去重和循环\n\n---\n\n核心机制与工作流程\n\nskill-to-workflow的运行分为五个阶段，每个阶段都由一组子智能体协作完成：\n\n第一阶段：摄取（Ingest）\n\n工具首先定位目标Skill，读取SKILL.md文件（包括前置元数据和正文），然后扇出多个读取器并行处理所有捆绑文件（references、scripts等），最终生成一个类型化的Skill中间表示（Skill IR）。\n\n第二阶段：分解（Decompose）\n\n系统将Skill正文视为一个过程（procedure），对每个步骤进行分类：\n- sequential（串行）：必须按顺序执行的步骤\n- parallel（并行）：可以独立执行的步骤\n- pipeline-stage（管道阶段）：可以流水线化的处理阶段\n- verify（验证）：需要对抗性验证的检查点\n- reduce（归约）：需要合并多个结果的聚合步骤\n\n这一阶段的关键任务是识别在哪里应该添加对抗性验证，从而提升输出质量。\n\n第三阶段：合成（Synthesize）\n\n基于分解得到的编排计划，系统生成对应的Workflow .js文件。由于子智能体不携带Workflow工具的文档，引擎会将完整的编写规范嵌入到智能体的提示词中。\n\n第四阶段：验证（Verify）\n\n这是最关键的阶段，包含一个真实的解析门控（使用V8引擎实际解析生成的代码，而非简单的语法检查）和三个对抗性验证透镜并行运行：\n- 保真度透镜：检查生成的Workflow是否完整保留了原始Skill的所有步骤\n- 并行合理性透镜：验证识别的并行结构是否正确，没有引入竞态条件\n- 规范符合性透镜：确保生成的代码符合Workflow编写规范\n\n任何发现的问题都会反馈给修复智能体，最多进行三轮修复循环。\n\n第五阶段：输出（Emit）\n\n确认文件放置位置，进行最终的解析检查，并生成人类可读的CONVERSION-REPORT.md报告，详细说明每个转换决策的理由。\n\n---\n\n实际效果对比\n\n以项目自带的doc-audit（文档审计）Skill为例，原始Skill是一个扁平的四步流程：\n\n1. 清点文档\n2. 检查四个维度（断链、过时代码、缺失章节、可读性）\n3. 验证发现\n4. 撰写报告\n\n原始执行模式：单个智能体依次执行四个维度的检查，然后简单验证，最后汇总报告。\n\n编译后的Workflow模式：\n\n清点文档 ──▶ 并行检查四个维度 ──▶ 每个发现由3个怀疑者验证 ──▶ 去重归约 ──▶ 生成报告\n\n\n四个维度的检查现在同时运行；每个发现都必须经过独立智能体的对抗性验证才能进入报告；唯一的同步点是最终的去重和归约阶段。\n\n结果是：相同的流程， Wall-clock时间大幅缩短，假阳性显著减少。\n\n---\n\n使用方法\n\n安装\n\nbash\n全局安装到 ~/.claude/workflows/\nnpx github:democra-ai/skill-to-workflow\n\n或安装到当前项目的 ./.claude/workflows/\nnpx github:democra-ai/skill-to-workflow --project\n\n\n要求：Node.js ≥ 18，工作流本身零运行时依赖。\n\n使用\n\n安装后，在Claude Code中通过Workflow工具调用：\n\njs\n// 通过名称解析Skill（查找 ~/.claude/skills/<name>）\nWorkflow({ name: "skill-to-workflow", args: { skillName: "doc-audit" } })\n\n// 或直接指定路径和输出位置\nWorkflow({ name: "skill-to-workflow", args: {\n skillPath: "/abs/path/to/some-skill",\n outDir: "/abs/path/to/output"\n}})\n\n\n支持的参数：\n- skillName：解析~/.claude/skills/<name>下的Skill\n- skillPath：指向包含SKILL.md的Skill目录的绝对路径\n- outDir：生成工作流的输出位置（默认：Skill同级目录）\n- model：可选的模型覆盖参数\n\n输出包括<skill-name>.workflow.js和CONVERSION-REPORT.md。将生成的文件放入~/.claude/workflows/即可像普通Workflow一样运行。\n\n---\n\n技术亮点与设计哲学\n\n依赖结构恢复\n\nskill-to-workflow的核心洞察是：Skill文本中描述的依赖结构始终存在，只是被单智能体执行模式扁平化了。工具通过自然语言理解和程序分析相结合的方法，从过程描述中恢复出真实的依赖图。\n\n对抗性验证的系统性引入\n\n这是项目带来的最大质量提升。传统Skill很少进行自我验证，而skill-to-workflow通过在每个发现点引入多个"怀疑者"智能体，实现了类似学术同行评审的质量控制机制。\n\n自举验证\n\n工具不仅转换Skill，还验证自己的输出。通过解析门控和三轮对抗性修复循环，确保生成的Workflow既语法正确又语义保真。\n\n零运行时依赖\n\n尽管功能复杂，生成的Workflow本身零运行时依赖，仅依赖Claude Code原生的Workflow运行时环境。\n\n---\n\n生态联动\n\nskill-to-workflow与另一个项目claude-workflow-viz形成良好的工具链：\n- skill-to-workflow负责将Skill转换为并行Workflow\n- claude-workflow-viz负责可视化Workflow的执行过程，展示DAG结构、同步屏障和实时并发情况\n\n两者结合，用户可以完整地观察从Skill到Workflow的转换，以及Workflow在多智能体环境下的实际执行图景。\n\n---\n\n总结与展望\n\nskill-to-workflow代表了AI辅助开发工具向更高层次抽象演进的方向。它不仅仅是一个转换工具，更是一种元能力——让AI系统能够理解和优化自身的执行模式。\n\n对于拥有大量Skill的用户和团队，这个工具提供了将现有资产升级为更高效、更可靠形式的途径，而无需重写任何业务逻辑。随着Claude Code生态的持续发展，这类元工作流工具将成为连接个人Skill创作与规模化多智能体协作的关键桥梁。