cowhorse-skill（牛马技能）

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：

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：

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"。

## 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]
2. [步骤2]
...

### 约束条件
- [约束1]
- [约束2]

### 确认问题
1. 以上输入/输出规格是否正确？
2. 步骤顺序和依赖关系对吗？
3. 哪些步骤需要自动化，哪些保留手动？
4. 有遗漏的字段或规则吗？

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
2. Write SKILL.md with:

- Frontmatter: name, description (triggers + when to use) - Body: Complete workflow instructions, all steps, decision trees

1. Add scripts if automation is needed:

- Python scripts for data processing, file operations, etc. - Shell scripts for system commands

1. Add references if domain knowledge is needed:

- Schemas, API docs, business rules, templates

1. Add assets if output files are needed:

- Templates, boilerplate, sample data

Skill structure:

skill-name/
├── SKILL.md (required)
├── scripts/ (optional)
│   ├── main_script.py
│   └── helpers.py
├── references/ (optional)
│   └── workflow_guide.md
└── assets/ (optional)
    └── template.xlsx

Step 4: Present and Validate (呈现确认)

After building:

1. Show the skill structure - List all files created
2. Show SKILL.md summary - Key sections and triggers
3. Test the skill - Run a sample execution if possible
4. Ask for feedback - Does this match what you need?
5. Iterate - Update based on feedback

Step 5: Finalize (完成)

1. Package the skill using scripts/package_skill.py from skill-creator
2. Update MEMORY.md with the new skill info
3. 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
2. Strip punctuation from start/end
3. Allow partial matches for long strings (e.g., "孝感中心" matches "孝感中心医院东城院区")
4. Handle common typos for known values (e.g., "受理单" vs "受理单据")
5. 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
• scripts/package_skill.py - 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