| name | workflow-builder |
| category | system |
| description | 根据自然语言描述生成 flocks 内置工作流（workflow.md, workflow.json）。当用户提出创建/设计/生成/搭建工作流或任何多步骤流程（如告警调查、事件响应、SOP/Runbook 自动化）时使用本 skill。 |
Workflow Builder
创建模式按以下顺序构建工作流：场景确认与流程设计 → 确认 workflow.md 文档语言 → workflow.md 草稿与确认循环 → workflow.json 生成与验证 → 逐节点测试 → 集成测试 → 性能评估与优化。
产物：workflow.json 中所有可执行节点均为 type="python" 并自带 code。最终交付物固定为：workflow.md、workflow.json。
顺序强制：创建工作流时，workflow.md 是唯一的人类意图源。必须先询问用户需要中文还是英文流程说明文档，再按所选语言创建并确认 workflow.md，最后基于已确认的 workflow.md 生成 workflow.json。在 workflow.md 写入并确认前，严禁写入或覆盖 workflow.json。
参考资料（按需读取）
0. 开始前
Todo List（每次创建必须生成）
在开始任何工作前，必须先用 Todo 工具列出完整任务清单，并在整个过程中实时更新状态（pending → in_progress → completed）。标准 Todo 清单如下，根据实际工作流复杂度增减：
[ ] 0. 核验可用工具列表（读取 registry.py）
[ ] 1. 场景深度确认：与用户对话，明确业务场景与核心目标
[ ] 1. 输出思考维度分析 + Mermaid 流程简图，与用户沟通对齐
[ ] 1. 获取样例数据（用户上传或自动构造后确认）
[ ] 2. 用 Question 工具确认 workflow.md 使用中文还是英文
[ ] 2. 读取对应语言模板 workflow_zh.md 或 workflow_en.md，以及可用业务示例
[ ] 2. 生成单份 workflow.md 草稿（人读描述，包含功能、流程、节点、输入输出、处理逻辑）
[ ] 2. 写入 workflow.md 文件，供页面编辑器展示
[ ] 2. 向用户展示流程摘要并收集修改建议（循环直至满意）
[ ] 2. 确认 workflow.md 已是最新意图源
[ ] 3. 读取 reference.md
[ ] 3. 基于已确认 workflow.md 生成完整 workflow.json（含代码）
[ ] 3. 写入 workflow.json 文件
[ ] 4. 验证 JSON 格式 + Python 语法
[ ] 4. 保存样例数据到 /api/workflow/{id}/sample-inputs
[ ] 5. 逐节点测试：节点 1 - <node_id>
[ ] 5. 逐节点测试：节点 2 - <node_id>
[ ] 5. 逐节点测试：节点 N - <node_id>（按拓扑顺序补充）
[ ] 6. 集成测试：全量运行验证
[ ] 6. 记录各节点及总运行时间
[ ] 7. 性能评估：识别瓶颈节点
[ ] 7. 优化慢节点（并发/缓存/精简 prompt 等）
[ ] 7. 通知用户工作流已就绪
每完成一项立即标记为 completed；每进入一项立即标记为 in_progress。严禁在 Todo 全部完成前宣布任务结束。
实时工具核验（重要）
生成 workflow 前必须核验可用工具列表与参数签名：
- 强制读取
flocks/flocks/tool/registry.py（ToolInfo.parameters 是参数 schema 的权威来源）。
- 工具名必须一致，参数名必须严格对齐，禁止调用
run_workflow（在 WORKFLOW_TOOL_BLOCKLIST 中）。
1. 第一阶段：场景确认与流程设计
目标：通过对话真正理解用户需求，输出完整的思考维度与流程简图，让用户在花时间构建工作流之前就能确认方向。
1.1 深度场景对话
使用 Question 工具与用户确认以下维度（根据场景选取相关项，不必逐条询问，尽量合并为 1-2 轮对话）：
业务背景
- 这个工作流解决什么安全/业务问题？触发条件是什么？
- 谁会使用这个工作流？是定时自动触发还是手动触发？
- 有没有现有的 SOP 或人工处理流程可以参考？
数据与工具
- 输入数据是什么？（告警字段、IP/域名/哈希、日志条目等）
- 需要调用哪些外部工具或服务？（威胁情报、SIEM、资产库等）
- 输出结果是什么？（报告、工单、通知、打标签等）
流程要求
- 有没有需要特殊处理的条件分支？（如高危 vs 低危、内部 IP vs 外部 IP）
- 对运行时间有要求吗？（实时响应 < 30s？批量处理可接受数分钟？）
- 有哪些已知的"陷阱"或边界情况需要注意？
1.2 输出思考维度与流程简图
对话完成后，在消息中输出以下内容供用户确认：
思考维度总结（结构化列举，涵盖：数据流、工具调用链、分支逻辑、异常处理、性能关键点、可扩展性）
流程简图（使用 Mermaid flowchart 语法，清晰展示节点与边关系）
示例格式：
## 思考维度
**数据流**：输入告警 → 资产丰富 → 情报查询 → LLM 分析 → 报告输出
**分支逻辑**：IP 类型判断（内网 / 外网）→ 不同查询策略
**性能关键点**：情报查询可并发；LLM 调用是主要耗时节点
**异常处理**：工具调用失败时降级到日志记录，不中断流程
**可扩展性**：后续可插入 SOAR 工单节点
## 流程简图
\`\`\`mermaid
flowchart TD
A[接收告警] --> B[提取 IP/域名]
B --> C{IP 类型?}
C -->|内网| D[查询资产库]
C -->|外网| E[查询威胁情报]
D --> F[汇总上下文]
E --> F
F --> G[LLM 分析]
G --> H[生成报告]
\`\`\`
1.3 获取样例数据
在流程简图得到用户认可后，请用户上传一条完整的样例输入数据（JSON 格式）：
- 若用户能提供：直接使用
- 若用户无法提供：根据场景自动构造一条最小可用样例 JSON，并请用户确认字段和数值是否合理
样例数据将用于后续每个节点的逐步测试，是测试阶段的核心依据。获得样例后，待工作流 ID 确定时调用 POST /api/workflow/{id}/sample-inputs 保存（body: { "sampleInputs": <样例 JSON 对象> }）。
2. 第二阶段：生成并确认 workflow.md（人读意图源）
目标：先把工作流的业务意图、节点结构、输入输出和处理逻辑写成可读、可编辑的 workflow.md。页面左侧编辑器以 workflow.md 表达工作流，用户应先在这里确认意图；只有确认后才能生成 workflow.json。
2.0 文档语言选择（必须）
创建 workflow.md 前，必须用 Question 工具询问用户需要哪种流程说明文档：
规则：
- 工作流目录里最终只写一份
workflow.md。
- 不要在工作流目录里创建
workflow_zh.md、workflow_en.md、workflow.en.md 或其它语言副本。
workflow_zh.md / workflow_en.md 只是本 skill 内部的结构模板。references/workflow_template/ 只是本 skill 内部的创建参考包，严禁复制成可扫描的 workflow_template 工作流目录；需要模板内容时，只读取其中的文件并改造成当前真实工作流。- 不要根据用户当前会话语言自动猜测文档语言；创建
workflow.md 前必须明确询问并得到选择。
2.1 核心要求
workflow.md 必须让人读得懂，也必须足够结构化，便于后续稳定生成 workflow.json。每个步骤必须包含：
- 功能概述：用人能理解的话说明这个工作流解决什么问题、不解决什么问题。
- 总体流程：用箭头、表格或 Mermaid 描述节点顺序和职责。
- 输入/输出：数据来源、格式、用途。
- 模块逻辑：每个节点的职责、处理步骤、判定条件、循环方式、异常处理。
- 工具/LLM 标注：明确该步是 Tool-driven 还是 LLM-driven（详细决策指南见 reference.md § Tool vs LLM）。
- 推荐组合：
tool.run_safe(...) 获取数据 → llm.ask(...) 分析 → tool.run('write', ...) 落盘。
- 默认使用
tool.run_safe()，返回 {"success", "text", "obj", "error"} 统一包络。
- 文件落盘：节点有任何文件输出时，统一写入
~/.flocks/workspace/outputs/<YYYY-MM-DD>/ 目录下，详见 reference.md § 文件输出规则。
- 决策分支：写清条件、各分支处理、跳转规则。
- 发布和配置：写清 API、Syslog、Kafka、Webhook、Schedule 等入口是否支持，运行态配置由
config.json 模板和 Storage/SQL 管理。
- 编辑指南：告诉用户修改输入、节点逻辑、输出、发布方式时应该优先改哪里。
- 报告结构（若涉及）：除非用户要求简化，需包含摘要、分析、发现、建议、来源（模板见 reference.md § 报告生成）。
2.2 写入 workflow.md
- 先按用户选择的语言模板生成内容，再用
write 工具将单份 workflow.md 写入文件（路径与第 9 节一致，例如 .../plugins/workflows/<id>/workflow.md）。
- ⚠️ 路径必须使用绝对路径：全局目录可用
python3 -c "import os; print(os.path.expanduser('~/.flocks/plugins/workflows/<id>'))"；项目目录可先解析 workspace（从 cwd 向上第一个含 .flocks 的目录）再拼接 /.flocks/plugins/workflows/<id>。
- 严禁使用未展开的相对路径（如
.flocks/plugins/workflows/<id>/ 相对仓库根随手写入错误位置），否则 WebUI 可能无法从实际扫描目录读到文件。
- 严禁同时写入
workflow.en.md 或语言副本；UI 和生成流程只认当前工作流目录下的 workflow.md。
- 写入成功后，在消息中说明：「已创建
workflow.md，请在左侧编辑器查看并确认。需要调整节点、输入输出或处理逻辑时，请先改 workflow.md。」
- 需要用户确认是否进入
workflow.json 生成时，必须使用 Question 工具或等待页面 diff 的接受/拒绝结果；不要用普通文本提问替代确认。
2.3 用户反馈循环（循环直至满意）
收集用户对 workflow.md 的修改建议，按照以下循环执行，直到用户确认满意：
接收用户反馈
↓
分析修改需求（功能描述、节点职责、输入输出、处理逻辑、分支关系）
↓
更新 workflow.md
↓
重新写入文件
↓
向用户展示更新摘要，并用 Question 工具或页面 diff 请用户确认
↓
[满意] → 进入第三阶段，基于已确认 workflow.md 生成 workflow.json
[还有修改] → 继续循环
禁止事项：不要为了提前展示流程图而先写一个简化 workflow.json。当前创建流程必须让 workflow.md 先落盘并完成确认，workflow.json 只能作为已确认 workflow.md 的机器执行产物。
3. 第三阶段：生成完整 workflow.json（机器执行）
根据已确认的 workflow.md 生成严格可执行的 workflow.json。生成前必须读取最新磁盘上的 workflow.md，并建议读取 references/reference.md。
3.0 节点生成策略
- 主路径：每个可执行步骤 →
type="python" 节点，必须同时包含 code（执行逻辑）+ description（文档说明）。
- 兜底：
logic 节点仅在用户明确要求"不写代码"或快速原型时使用，运行时由 codegen 兜底。
3.1 运行时硬约束
顶层字段：
start 必须等于某个 nodes[i].idnodes[].id 必须唯一name/description（可选）用于工作流级别说明version 会被运行时忽略，不需要生成
Node 约束（对应 flocks/workflow/models.py）：
python：code 必须非空logic：description 必须非空- 出边选择行为（关键）：
python → 所有出边触发；logic/branch/loop → 通过 select_key 取值做 label 匹配选边
join=true：等待所有入边到齐再执行一次
代码约束：
- 同步
exec() 模型，严禁 await/async def/async for/async with。确保节点的代码要可以独立运行。
Edge 约束：
- JSON 中用
"from" 而非 "from_"；from/to 引用存在的 node id；order ≥ 0。
3.2 映射规则
workflow.md 每步对应一个节点，id 用 snake_case。- md 中写的输出字段，必须在
outputs[...] 中体现。
- md 中
Tool: xxx 标记 → 对应节点 description 保留。
- 下游节点如需
tool.run(..., **inputs)，用 edge.mapping/edge.const 规整输入到匹配工具参数形状。
- 详细 Mapping 指南见 reference.md § Edge Mapping。
3.3 分支/循环与 Join
- branch/loop 选边：
bool 值 label 用 "true"/"false"；str 值精确匹配；无命中回退到空 label 默认边。上游必须把 select_key 所需字段写入 payload。
- 分支汇合（强制）：
- 多入边且非互斥 → 必须
join=true
- 判断互斥：所有入边来自同一 branch/loop 的不同 label 出边
- 昂贵节点保护：含
llm.ask() 或 tool.run('write', ...) 的节点，禁止被两条非互斥路径直达，必须先经 join 节点
- 推荐模式：join 节点（python,
join=true）归一化多分支输出 → 再传给后续步骤
- 嵌套工作流：见 references/composition.md。
3.4 代码实现
辅助函数：
| 函数 | 说明 |
|---|
tool.run(name, **inputs) | 返回 ToolResult.output（类型 Any，通常是字符串），失败抛异常 |
tool.run_safe(name, **inputs) | 推荐，返回 {"success": bool, "text": str, "obj": Any, "error": str|None}，永不抛异常 |
llm.ask(prompt) | 调用 LLM，返回字符串 |
get_path(path) | payload 深层取值 |
⚠️ 返回值类型警告（常见 Bug 源）：
tool.run() 返回的是 Any 类型，大多数工具返回的是字符串（格式化文本），不是字典。严禁直接对返回值调用 .get() 等字典方法。tool.run_safe()["obj"] 也是 Any 类型，可能是 str、dict、list 或 None。使用前必须检查类型。- 如果工具返回的是 JSON 格式的字符串，需要用
json.loads() 解析后再作为字典操作。
result = tool.run('some_tool', ip=ip)
value = result.get("key")
result = tool.run_safe('some_tool', ip=ip)
value = result["obj"].get("key")
result = tool.run_safe('some_tool', ip=ip)
outputs["text"] = result["text"]
result = tool.run_safe('some_tool', ip=ip)
obj = result["obj"]
if isinstance(obj, dict):
value = obj.get("key")
elif isinstance(obj, str):
import json
try:
parsed = json.loads(obj)
value = parsed.get("key") if isinstance(parsed, dict) else None
except json.JSONDecodeError:
value = None
tool.run_safe() 使用指南：
- 字符串拼接 / LLM prompt 插值 →
result["text"]（永远是 str，最安全）
- 结构化对象取值 →
result["obj"] + isinstance 类型检查 + result["success"] 判断
- 生成 code 时默认使用
tool.run_safe()，且优先使用 result["text"]
- 仅在明确知道工具返回类型且无需兜底时，才用
tool.run()（仍需注意返回值可能是字符串）
数据落盘与传递：
- 文件输出：有文件输出时写入
~/.flocks/workspace/outputs/<YYYY-MM-DD>/（详见全局文件输出约定）
- 数据传递：
inputs 和 outputs 字典，运行时浅合并 payload = {**inputs, **outputs}
⚠️ 生成后必须使用 write 写入到文件。写入完成后进入第四阶段验证，验证通过前不得进入逐节点测试。
4. 第四阶段：验证 workflow.json 与保存样例
workflow.json 写入后必须完成以下验证与准备工作：
- 用
json.load 确认 JSON 格式正确。
- 对每个
type="python" 节点的 code 执行 compile(code, "<node_id>", "exec") 确认 Python 语法正确。
- 若格式或语法报错，修复后重新写入
workflow.json 并再次验证。
- 将阶段 1 收集的样例数据保存到
POST /api/workflow/{id}/sample-inputs，body 为 { "sampleInputs": <样例 JSON 对象> }。
只有以上步骤全部通过后，才能进入第五阶段逐节点测试。
5. 第五阶段：逐节点测试与修复
⚠️ 核心原则：绝不轻易停止。 无论遇到什么错误，都必须持续分析、修复、重试，直到每个节点都运行正常为止。
workflow.json 生成并通过语法验证后，必须执行本阶段，确保每个节点可以真实运行。
5.0 准备样例数据
使用阶段 1 收集并保存的样例输入（可通过 GET /api/workflow/{id}/sample-inputs 获取）。若样例数据不存在，用 Question 工具向用户索取后保存。
5.1 逐节点顺序测试（严格按拓扑顺序，一个节点一个节点地来）
必须严格按照拓扑顺序（从 start 开始，沿出边逐步推进），一次只测试一个节点，当前节点完全通过后才能测试下一个。
使用 run_workflow_node 工具（内置工具，直接可用）执行每个节点：
run_workflow_node(
workflow = "/absolute/path/to/workflow.json", # 或直接传 workflow dict
node_id = "<node_id>",
inputs = <inputs_dict>
)
返回结构：{ node_id, outputs, stdout, error, traceback, duration_ms, success }
⚠️ 注意：使用 run_workflow_node 工具，不要用 run_workflow（那是全量运行）。
执行规则（逐节点）：
-
第一个节点的 inputs = 用户样例数据（阶段 1 收集的样例 JSON）
-
后续节点的 inputs = 前一个成功节点返回的 outputs（若节点有多个前驱，合并所有前驱的 outputs）
- 严禁跳过任何节点、严禁用人工构造的数据替代前驱节点的真实输出
-
当前节点 success=false 或 error 不为 null 时，必须原地 Debug，循环直到通过，才能进入下一节点：
- 仔细分析
error、traceback、stdout 字段，定位根本原因
- 修复该节点的
code（或 edge mapping、输入字段名等）
- 重写
workflow.json（保存到磁盘）
- 再次用
run_workflow_node 测试同一节点（inputs 不变）
- 重复步骤 1–4，直到该节点
success=true，才能推进到下一节点
-
success=true 不等于节点真正通过，还必须检查输出数据是否有实际内容：
- 检查
outputs 中的关键字段：若关键字段为空字符串、null、空列表 []、空字典 {} 或全为默认占位值，必须调查原因
- 判断是否有合理的业务原因导致为空，若有合理理由则记录说明并继续
- 若无合理理由，视为节点未真正通过，需要修复并重跑
-
每个节点真正通过后（success=true 且关键输出非空），记录 duration_ms：
✅ 节点 <node_id>：success=true，关键输出非空，耗时 <duration_ms> ms
6. 第六阶段：集成测试（全量运行）
所有节点逐一通过后，执行一次完整的工作流运行：
POST /api/workflow/{id}/run
Body: { "inputs": <样例数据> }
若全量运行失败，继续按第五阶段的方式定位失败节点并修复，直到全量运行成功。全量运行失败不是停止的理由，必须继续 Debug 直到通过。
6.1 运行时间汇总
全量运行成功后，汇总并输出完整的节点耗时报告：
📊 运行时间汇总
─────────────────────────────────
节点 <node_id_1>：<duration_ms> ms
节点 <node_id_2>：<duration_ms> ms
节点 <node_id_N>：<duration_ms> ms
─────────────────────────────────
总计（逐节点累计）：<sum> ms
全量运行总耗时：<total_ms> ms（来自 POST /run 响应）
7. 第七阶段：性能评估与优化
目标：识别耗时瓶颈节点，在不影响正确性的前提下尽可能优化。
7.1 瓶颈识别
基于第六阶段的耗时报告，识别以下类型的慢节点（按优先级排序）：
| 类型 | 判断标准 | 常见原因 |
|---|
| 超慢节点 | duration_ms > 10000（10s） | LLM prompt 过长、串行工具调用、无效重试 |
| 慢节点 | duration_ms > 3000（3s） | 单次工具调用本身耗时、数据处理低效 |
| 占比失衡 | 单节点 > 总时间 50% | 该节点是整体瓶颈，优先优化 |
7.2 优化策略（按场景选取）
LLM 节点优化
- 裁剪 prompt：移除冗余上下文，只传关键字段
- 压缩中间数据：用摘要替代全量文本传递给 LLM
- 拆分职责：将一个大 LLM 节点拆成多个更小的专项分析节点
工具调用优化
- 并行化：将互不依赖的多个工具调用改为并发执行（用
concurrent.futures.ThreadPoolExecutor）
- 结果缓存：对同一参数的重复查询，在
outputs 中缓存结果避免重复调用
- 精简参数：只查询当前节点实际需要的字段
数据传递优化
- 裁剪 payload：在 edge mapping 中只传下游需要的字段，减少不必要的数据搬运
- 提前过滤：在数据进入 LLM 节点前，用工具节点做结构化过滤
7.3 实施优化
对每个识别出的瓶颈节点：
- 在消息中说明优化方案和预期收益（如「将情报查询由串行改为并发，预计节省 60% 时间」）
- 修改
code 实现优化
- 重新运行该节点验证：
success=true 且关键输出不变duration_ms 有明显下降（> 20% 提升才视为有效优化）
- 若优化未达预期或引入新问题，回滚并记录原因
- 所有优化完成后，重新执行全量运行，输出优化后的汇总耗时报告
7.4 优化报告
优化完成后输出对比报告：
⚡ 性能优化报告
─────────────────────────────────────────────
节点 优化前(ms) 优化后(ms) 提升
<node_id_1> 3200 800 75% ← 并发查询
<node_id_2> 8500 4200 51% ← 精简 prompt
─────────────────────────────────────────────
全量运行总耗时：<before> ms → <after> ms
8. 修改模式：修改已有工作流
当用户表达的是修改/调整/优化已有工作流（而非从零创建）时，进入本模式。
8.0 判断是否是修改请求
满足以下任一条件即为修改请求：
- 用户说"修改……"、"调整……"、"把……改成……"、"优化……"、"重构……"
- 已在 ChatTab 上下文中提供了完整
workflow.json
- 用户指向某个具体工作流 ID 或名称，要求改动其中某些节点或逻辑
8.1 准备
- 读取现有文件：优先使用 ChatTab 上下文中已提供的 JSON；若需要也可用
read 工具读取 workflow.json 和 workflow.md。
- 理解修改意图：若意图不清晰，先用
Question 工具确认：
- 需要增/删/改哪些节点？
- 数据流、出边逻辑是否需要同步调整？
8.2 先更新 workflow.md（必须）
修改模式下，必须先更新 MD 文档，经用户确认后再修改 JSON。严禁直接跳到 JSON 修改。
- 根据修改意图，更新
workflow.md（保留原有结构，仅修改受影响的步骤描述）。
- 用
write 工具将更新后的 workflow.md 写入文件（路径：与同 ID 的 workflow.json 所在目录一致，见第 9 节）。
- 用
Question 工具向用户展示变更摘要，询问确认。
- 用户确认后，进入 8.3 生成变更。
8.3 生成变更
优先最小化变更原则：
- 单节点改动 → 使用
edit 工具精准替换目标字段
- 多节点改动 / 结构重组 → 整体覆写
遵守所有 workflow.json 约束（见第 3 节规范）。
8.4 验证与写回
修改完成后：
json.load 确认 JSON 格式正确- 对每个
type="python" 节点的 code 执行 compile 验证语法
- 若验证通过，写入原文件路径
8.5 说明变更内容
写回成功后，向用户简述做了哪些改动（diff 式自然语言说明）。
9. 工作流文件保存目录（创建模式）
创建路径（写入）
新建工作流时，写入路径必须在 用户级（全局）目录下：
- 用户级（全局）：
~/.flocks/plugins/workflows/<slug-or-folder>/（workflow.json、workflow.md、meta.json 由 API 写入时可能同目录）
- ⚠️ 任务输出（报告、artifacts）不写入此目录，统一写入
~/.flocks/workspace/outputs/<YYYY-MM-DD>/（见全局文件输出约定）
读取路径（扫描）
系统会按从低到高优先级扫描下列目录（同一逻辑 ID 冲突时后扫描的覆盖先扫描的）。写文件时应优先落在列表中最后的「规范」目录，避免被后续扫描覆盖或混淆。
全局（用户目录下）
| 优先级（低→高） | 路径 | 说明 |
|---|
| 1 | ~/.flocks/plugins/workflow/ | 全局 legacy |
| 2 | ~/.flocks/plugins/workflows/ | 全局规范路径（推荐新工作流露地） |
项目（workspace 下）
| 优先级（低→高） | 路径 | 说明 |
|---|
| 1 | <workspace>/.flocks/plugins/workflow/ | 项目 legacy |
| 2 | <workspace>/.flocks/plugins/workflows/ | 项目规范路径（推荐新工作流露地） |
⚠️ 绝对路径规范（重要）
必须使用绝对路径写入文件。
全局目录示例：
python3 -c "import os; print(os.path.expanduser('~/.flocks/plugins/workflows/<folder>'))"
解析项目 workspace 并拼接规范目录示例：
python3 -c "from pathlib import Path; p=Path.cwd(); ws=next((x for x in [p,*p.parents] if (x/'.flocks').is_dir()), p); print(ws/'.flocks/plugins/workflows/<folder>')"
正确示例：
<HOME_DIR>/.flocks/plugins/workflows/alert_triage/workflow.json ✅（用户级）
错误示例：
.flocks/plugins/workflows/alert_triage/workflow.json ❌（未展开相对路径，易写错磁盘位置）- 仅因习惯写入
~/.flocks/workflow/... 作为新工作流首选 ❌（仍可被扫描，但与当前规范及 API 默认落盘不一致）
10. 持续执行原则（全局强制）
在整个 Workflow 创建流程中，以下原则不可违反：
- 绝不中途放弃：任何阶段遇到错误，都必须持续分析原因、尝试不同修复方式，循环重试直到解决。
- 失败不是终点，是 Debug 的起点：连续失败时，换思路（检查参数名、输入数据结构、工具调用方式、边的 mapping 等），直到找到根本原因。
- Todo 驱动完成：所有任务项在 Todo 列表中清晰可见，必须逐一完成、逐一标记，严禁在 Todo 全部 completed 之前宣布任务完成。
- 只有以下情况才能停下来询问用户：
- 样例数据缺失且无法自动构造
- 需要用户提供必要的外部凭证或配置（API Key、服务地址等）
- 需要用户确认流程描述是否正确（场景确认阶段、md 确认阶段）
- 其他必须由用户决策的内容
- 除上述情况外，所有问题必须自行解决，直到工作流完美运行为止。
workflow.md 模板资源
本 skill 内置两份流程说明文档模板：
创建工作流时，先用 Question 工具确认用户需要哪种语言，然后读取对应模板，把真实内容写入工作流目录下唯一的 workflow.md。
