Shrimp Assistant
← 返回 Skill 仓库

agent-workflow-designer

设计生产级多Agent工作流，明确选择顺序、并行或分层模式，定义交接契约、故障处理与成本/上下文控制。适用于架构多步骤Agent流水线、在单Agent与多Agent方案间选型，…

slug: agent-workflow-designer v1.0.0 工程开发 输出型 作者 Alireza Rezvani 4 个文件 · 8.5 KB 更新 2026-10-20 实测 +2.5% ↓ 0 次下载 💬 0 条反馈 规范度 88/100 by Alireza Rezvani
登录后下载（1 虾条） 使用反馈（0） 查看 JSON
实测评测 小幅提升 deepseek-chat · 3 任务 × 2 采样 × 3 重复 · 单轮 · 盲评 评测方法 →
+2.5%
带该 Skill vs 不带，
judge 盲评的平均分差。
n=3 次重复均值，区间 0.2% ~ 6.2%
裸模型 88.5
带技能 90.6
评测时间 2026-10-20 3 个任务 × 2 次采样 盲评 · 同一模型同一组参数
展开 3 个测试任务的逐题明细
任务 1 · 我们的客服系统要处理退款、技术咨询、投诉三类请求，单Agent总是答错类型。帮我设计一个router模式的多Agent工作流，包含意图分类器、三个专家Agent和兜底Agent。要有交接字段定义、超时重试策略，输出JSON配置。
采样 1 裸 85.0 vs 带技能 88.0 X设计更精细、风险控制更强但输出被截断；Y完整可执行、工程细节更全，整体质量接近。
采样 2 裸 88.0 vs 带技能 90.0 两份质量接近：X在超时重试精细度与可观测性上更强，Y在交接字段规范、工具与护栏定义上更完整。
任务 2 · 我要搭建一个内容生产流水线：选题→调研→初稿→事实核查→润色，每步都可能失败。请设计sequential工作流，说明每步的输入输出契约、失败重试次数和上下文传递方式，并给出成本控制建议，输出一份可直接落地的配置文档。
采样 1 裸 88.0 vs 带技能 92.0 X在契约严谨性、上下文传递与成本杠杆上更精细且文档完整；Y在降级分级与可观测性上更实用，但配置示例截断影响直接落地。
采样 2 裸 88.0 vs 带技能 92.0 两份均高质量，X 在步骤间输入输出契约的字段级精确度、上下文白名单裁剪和回环熔断设计上更严谨，Y 在降级出口与人工队列设计上更丰富但落地细节稍粗。
任务 3 · 我们要做代码审查Agent：生成器改代码，评审员打分，不合格就打回重写。请设计evaluator循环工作流，定义评分阈值、最大迭代轮数、打回时的反馈传递字段，以及防止无限循环的终止条件，输出带注释的JSON骨架。
采样 1 裸 90.0 vs 带技能 88.0 两份质量接近；Y 在阈值设计（维度短板否决）、防循环机制（issue 重复、代码哈希）和反馈分层上更细致可执行，X 的终止条件存在一处语义瑕疵。
采样 2 裸 93.0 vs 带技能 88.0 两份均覆盖全部要求，X 在防放水（gate 重算分数、缺陷 ID 去重）与终止条件严谨度上更强，Y 存在 JSON 合法性瑕疵与硬失败规则表达不规范。
社区实测 用户用自己的 API Key 跑的结果，模型与环境各不相同，仅供横向参考 登录后用我的 API 测 →
还没有人跑过。装上你自己的 Key，用你日常用的模型测一遍——结果只出现在你的记录里，不进官方榜。
—
☆☆☆☆☆
还没有人评分，用过之后来说句实话
登录后评分

一行命令安装

下载这个 Skill 需要先登录（免费注册，只需用户名和密码）。去登录 →

使用反馈 · 0

用过的同学可以在这里说说效果、坑点或改进建议，也可以直接提出新需求。

登录后可以发表使用反馈。去登录 →

还没有反馈，来做第一个分享的人。

规范度体检 · 88/100

按元信息、示例、可执行性、完整性等 13 项自动检查，供作者自查改进；不影响用户评分。

版本历史

SKILL.md 内容

# Agent Workflow Designer

**Tier:** POWERFUL  
**Category:** Engineering  
**Domain:** Multi-Agent Systems / AI Orchestration

---

## Overview

Design production-grade multi-agent workflows with clear pattern choice, handoff contracts, failure handling, and cost/context controls.

## Core Capabilities

- Workflow pattern selection for multi-step agent systems
- Skeleton config generation for fast workflow bootstrapping
- Context and cost discipline across long-running flows
- Error recovery and retry strategy scaffolding
- Documentation pointers for operational pattern tradeoffs

---

## When to Use

- A single prompt is insufficient for task complexity
- You need specialist agents with explicit boundaries
- You want deterministic workflow structure before implementation
- You need validation loops for quality or safety gates

---

## Quick Start

```bash
# Generate a sequential workflow skeleton
python3 scripts/workflow_scaffolder.py sequential --name content-pipeline

# Generate an orchestrator workflow and save it
python3 scripts/workflow_scaffolder.py orchestrator --name incident-triage --output workflows/incident-triage.json
```

---

## Pattern Map

- `sequential`: strict step-by-step dependency chain
- `parallel`: fan-out/fan-in for independent subtasks
- `router`: dispatch by intent/type with fallback
- `orchestrator`: planner coordinates specialists with dependencies
- `evaluator`: generator + quality gate loop

Detailed templates: `references/workflow-patterns.md`

---

## Recommended Workflow

1. Select pattern based on dependency shape and risk profile.
2. Scaffold config via `scripts/workflow_scaffolder.py`.
3. Define handoff contract fields for every edge.
4. Add retry/timeouts and output validation gates.
5. Dry-run with small context budgets before scaling.

---

## Common Pitfalls

- Over-orchestrating tasks solvable by one well-structured prompt
- Missing timeout/retry policies for external-model calls
- Passing full upstream context instead of targeted artifacts
- Ignoring per-step cost accumulation

## Best Practices

1. Start with the smallest pattern that can satisfy requirements.
2. Keep handoff payloads explicit and bounded.
3. Validate intermediate outputs before fan-in synthesis.
4. Enforce budget and timeout limits in every step.