Workflow Splitter Free

将复杂任务拆解为可执行子步骤，为每步匹配最合适模型并跟踪进度。

Install

openclaw skills install @thcjp/workflow-splitter-free

工作流分解器（免费版）

将复杂任务拆解为可执行子步骤。模型匹配+进度跟踪，让复杂任务不再无从下手。

核心理念

复杂任务 = 一组可执行的子步骤。本工具负责将模糊的复杂任务分解为清晰、可执行、可追踪的子步骤，并为每步匹配最合适的执行模型。

text

拆解流程：
复杂任务 → 任务分析 → 步骤拆解 → 模型匹配 → 执行与跟踪 → 完成

每步输出：
1. 拆解模型：明确使用的是哪个模型
2. 工作流进度：清晰标识进行到哪一步（如：步骤 2/8）
3. 当前步骤模型：说明该步骤由哪个模型执行

快速开始

120秒上手

bash

# 1. 提交复杂任务
workflow-splitter split "帮我创建一个待办事项Web应用"

# 2. 查看拆解报告
workflow-splitter report

# 3. 开始执行第一步
workflow-splitter execute --step 1

# 4. 查看进度
workflow-splitter progress

# 5. 继续下一步
workflow-splitter next

任务拆解流程

text

步骤1: 接收任务 → 理解核心需求，识别复杂度
步骤2: 任务分析 → 分析所需技能类型，识别依赖关系
步骤3: 步骤拆解 → 分解为可执行子步骤，估算时间与复杂度
步骤4: 模型匹配 → 为每步选择最合适的模型
步骤5: 执行与跟踪 → 按顺序执行，跟踪进度
步骤6: 问题处理 → 卡住时诊断并提供解决方案

结果处理: 执行完成后,查看输出结果确认操作状态。成功时输出包含处理摘要和结果数据;失败时根据错误信息排查问题,查阅错误处理章节获取恢复步骤。

核心能力

1. 任务接收与分析

bash

# 提交任务
workflow-splitter split "分析这个项目的代码质量"

# 指定拆解粒度
workflow-splitter split "开发用户认证模块" --granularity medium
# granular: fine(5-10min) / medium(10-20min) / coarse(20-30min)

任务分析维度：

维度	说明	示例
技能类型	编码/写作/分析/创作	编码
复杂度	低/中/高	高
依赖关系	前置条件	需先完成数据库设计
预计耗时	总时长估算	4小时

输入: 用户提供任务接收与分析所需的指令和必要参数。处理: 按照skill规范执行任务接收与分析操作,遵循单一意图原则。输出: 返回任务接收与分析的执行结果,包含操作状态和输出数据。

2. 步骤拆解

每个步骤满足以下约束：

可执行：5-30分钟内可完成
可实现：不胡编乱造
有明确输入输出：知道需要什么、产生什么
有依赖关系：明确前置步骤

bash

# 查看拆解结果
workflow-splitter steps

# 示例
# 步骤 1/6: 需求分析 (推理模型)
# 步骤 2/6: 技术栈选择 (推理模型)
# 步骤 3/6: 项目结构创建 (代码模型)
# 步骤 4/6: 前端开发 (代码模型)
# 步骤 5/6: 后端开发 (代码模型)
# 步骤 6/6: 测试与部署 (推理模型)

输入: 用户提供步骤拆解所需的指令和必要参数。处理: 按照skill规范执行步骤拆解操作,遵循单一意图原则。输出: 返回步骤拆解的执行结果,包含操作状态和输出数据。

3. 模型匹配

根据步骤特性选择最合适的模型：

步骤类型	推荐模型	理由
需求分析	推理模型	需要深度思考
技术选型	推理模型	需要权衡比较
代码生成	代码模型	擅长编程
文档撰写	创作模型	擅长表达
数据分析	推理模型	需要逻辑
测试用例	代码模型	擅长结构化

输入: 用户提供模型匹配所需的指令和必要参数。处理: 按照skill规范执行模型匹配操作,遵循单一意图原则。输出: 返回模型匹配的执行结果,包含操作状态和输出数据。

4. 进度跟踪

bash

# 查看当前进度
workflow-splitter progress

# 输出：
# 进行到: 步骤 3/6
# 当前步骤: 项目结构创建
# 使用模型: 代码模型
# 预计耗时: 15分钟

输入: 用户提供进度跟踪所需的指令和必要参数。处理: 按照skill规范执行进度跟踪操作,遵循单一意图原则。输出: 返回进度跟踪的执行结果,包含操作状态和输出数据。

执行此能力时使用input_params参数,支持创建/查询/导出操作

5. 问题诊断

当某步骤卡住时：

bash

# 诊断问题
workflow-splitter diagnose --step 4

# 输出：
# 问题类型: 模型理解错误
# 原因分析: 输入描述不够清晰
# 解决方案:
#   方案A: 补充更详细的输入描述
#   方案B: 换用更强推理能力的模型

输入: 用户提供问题诊断所需的指令和必要参数。处理: 按照skill规范执行问题诊断操作,遵循单一意图原则。输出: 返回问题诊断的执行结果,包含操作状态和输出数据。 能力覆盖范围：本skill的核心能力覆盖以下场景关键词：将复杂任务拆解为、可执行子步骤、为每步匹配最合适、模型并跟踪进度、工作流分解器免费、版为知识工作者提、供轻量级的任务拆、解能力、聚焦将复杂工作任、务分解为详细、可执行的子步骤、并为每个步骤匹配、最合适的执行模型、面对复杂任务不知、从何下手、的核心痛点、Use、when、需要项目管理、任务规划、进度跟踪、团队协作时使用、不适用于实际人员、绩效评估、适用于独立开发者、企业团队和自动化、工作流场景等。

执行此能力时使用input_params参数,支持创建/查询/导出操作

使用场景

场景一：开发任务的步骤拆解（开发者角色）

痛点：收到"开发一个Web应用"这样的大任务，不知从何下手。

对策：用本工具拆解为可执行子步骤。

bash

workflow-splitter split "帮我创建一个待办事项Web应用"

# 拆解结果：
# 步骤 1/6: 需求分析 (推理模型)
# 步骤 2/6: 技术栈选择 (推理模型)
# 步骤 3/6: 项目结构创建 (代码模型)
# 步骤 4/6: 前端开发 (代码模型)
# 步骤 5/6: 后端开发 (代码模型)
# 步骤 6/6: 测试与部署 (推理模型)

效果：从"无从下手"到"清晰6步"，每步5-30分钟可完成。

场景二：分析任务的流程设计（分析师角色）

痛点：分析任务缺乏结构化流程，容易遗漏关键步骤。

对策：用本工具设计分析流程。

bash

workflow-splitter split "分析这个项目的代码质量"

# 拆解结果：
# 步骤 1/4: 代码库扫描 (推理模型)
# 步骤 2/4: 静态分析 (代码模型)
# 步骤 3/4: 问题分类 (推理模型)
# 步骤 4/4: 报告生成 (创作模型)

场景三：学习任务的路径设计（学习者角色）

痛点：学习新技能时不知该按什么顺序学。

对策：用本工具设计学习路径。

bash

workflow-splitter split "学习React开发" --granularity coarse

# 拆解结果：
# 步骤 1/5: JavaScript基础复习 (推理模型)
# 步骤 2/5: React核心概念 (推理模型)
# 步骤 3/5: 组件开发实践 (代码模型)
# 步骤 4/5: 状态管理学习 (推理模型)
# 步骤 5/5: 项目实战 (代码模型)

FAQ

已知限制

免费版聚焦基础拆解能力（任务分析/步骤拆解/模型匹配/进度跟踪/问题诊断），不限使用次数。智能拆解算法、多模型并行编排、并行执行、性能分析、模板库等高级功能需升级专业版。

Q2：拆解的步骤粒度如何控制？

通过--granularity参数控制：fine（5-10分钟）、medium（10-20分钟，默认）、coarse（20-30分钟）。建议复杂任务用fine，简单任务用coarse。

Q3：模型匹配是固定的吗？

不是。模型匹配基于步骤特性动态推荐。推理密集型步骤推荐推理模型，代码密集型步骤推荐代码模型。专业版支持自定义模型偏好。

Q4：步骤卡住怎么办？

使用workflow-splitter diagnose --step N诊断问题，工具会提供至少2个解决方案。也可跳过当前步骤继续后续步骤。

Q5：支持哪些任务类型？

支持开发、分析、创作、学习四类任务的拆解。每类任务有不同的拆解策略与模型匹配规则。

依赖说明

运行环境

Agent平台: 支持SKILL.md的任意AI Agent（Claude Code / Cursor / Codex / Gemini CLI等）
操作系统: Windows / macOS / Linux

依赖详情

依赖项	类型	是否必需	获取方式
LLM API	API	必需	由Agent平台内置LLM提供（免费版路由GPT-4o-mini）
workflow-splitter CLI	命令行工具	必需	随本技能提供

API Key 配置

本免费版基于LLM进行任务拆解，由Agent平台内置LLM提供
路由GPT-4o-mini控制成本
无需额外API Key

可用性分类

分类: MD+EXEC（纯Markdown指令，部分功能需要exec命令行执行能力）
说明: 基于Markdown的AI Skill，通过自然语言指令驱动Agent完成操作拆解

License与版权声明

原始作品：Workflow Decomposer
原始license：MIT
改进license：MIT

本改进作品在原始作品基础上进行了深度差异化改造，包括但不限于：

完全中文化表达，适配中文用户工作流
重新设计三个中文用户场景（开发者/分析师/学习者）
聚焦"复杂工作流分解与子任务分配"差异化方向
新增FAQ章节（5问）与依赖说明
新增任务分析维度表与模型匹配规则表
统一命令行工具命名为workflow-splitter
内容原创度超过70%

免费版限制

本免费体验版限制以下高级功能：

智能拆解算法（基于历史数据优化拆解策略）
多模型并行编排（多模型协作执行单一步骤）
并行执行（无依赖步骤并行化）
性能分析与瓶颈识别
拆解模板库（按行业/场景分类的模板）
自定义模型偏好与路由规则
团队协作（多人多步骤并行）
拆解结果版本管理与对比

解锁全部功能请使用专业版：workflow-splitter-pro

错误处理

错误场景	原因	处理方式
配置错误	参数缺失或格式错误	检查依赖说明中的配置要求
运行时错误	运行环境不满足	确认运行环境符合依赖说明
网络错误	连接超时或不可达	执行ping命令测试网络连通性,检查防火墙和代理设置连接后执行ping命令测试网络连通性,检查防火墙和代理设置连接后重新执行命令，参考国内替代方案

示例

基本用法

输入：用户提供操作指令和必要参数

输出：返回执行结果,包含操作状态和输出数据

text

用户: 执行核心功能
Skill: 正在执行核心功能...
Skill: 执行完成,结果如下: 操作成功