OpenProse 工作流编排教程

什么是 OpenProse

OpenProse 是 OpenClaw 的Markdown 优先工作流编排系统。它让你用简单的 Markdown 文件定义多步骤的自动化工作流，而不需要写代码。 > ⚠️ OpenProse 目前是实验性功能，API 和格式可能在未来版本中变化。

设计理念

传统的工作流编排工具（如 Airflow、n8n）需要写代码或拖拽节点。OpenProse 的理念是： - Markdown 优先：用人类可读的 Markdown 定义工作流 - LLM 原生：每个步骤可以直接调用 AI 模型 - 可恢复：支持中断和恢复，包括人工审批环节 - 类型安全：步骤之间的数据传递有类型约束 ``


传统工作流：代码/JSON → 引擎执行 → 结果
OpenProse：Markdown → LLM 理解 → 智能执行 → 结果



工作流定义格式

OpenProse 工作流是一个 Markdown 文件，使用特定的格式定义步骤：

基本结构

markdown
工作流：每日新闻摘要

步骤 1：收集新闻
搜索今天的科技新闻，收集 10 条最重要的新闻标题和摘要。

步骤 2：分析趋势
基于收集到的新闻，分析今天的科技趋势，找出 3 个关键主题。

步骤 3：生成报告
将新闻和趋势分析整理成一份简洁的中文报告，包含：
- 今日要闻（5 条）
- 趋势分析（3 个主题）
- 一句话总结

步骤 4：发送报告
将报告发送给用户。



步骤依赖

步骤默认按顺序执行，每个步骤可以引用前面步骤的输出：

markdown
步骤 1：获取数据
从 API 获取最新的销售数据。

步骤 2：分析数据
基于【步骤 1】获取的销售数据，计算以下指标：
- 本月总销售额
- 环比增长率
- Top 5 畅销产品

步骤 3：生成图表描述
基于【步骤 2】的分析结果，生成适合在报告中使用的图表描述。



步骤编排

顺序执行

最简单的编排方式——步骤按顺序依次执行：

markdown
代码审查工作流

步骤 1：读取代码
读取 src/ 目录下最近修改的文件。

步骤 2：静态分析
对代码进行静态分析，检查：
- 语法错误
- 类型问题
- 未使用的变量

步骤 3：安全检查
检查代码中是否存在：
- 硬编码的密钥
- SQL 注入风险
- XSS 漏洞

步骤 4：生成报告
汇总所有发现，生成代码审查报告。



条件分支

使用条件语句控制流程：

markdown
步骤 2：判断严重程度
根据【步骤 1】的分析结果判断问题严重程度。

如果发现严重问题
立即通知用户，列出所有严重问题，并建议暂停部署。

如果只有轻微问题
记录问题列表，继续执行后续步骤。

如果没有问题
输出"代码检查通过 ✅"。



人工审批

工作流可以在关键步骤暂停，等待人工确认：

markdown
步骤 3：等待审批
将分析报告展示给用户，等待确认后再继续。

> 🔒 此步骤需要人工审批。工作流将暂停，直到用户确认。

步骤 4：执行操作
用户确认后，执行数据库迁移操作。



审批机制是 OpenProse 的重要特性——它让自动化工作流在关键节点保留人工控制。

Lobster 工作流运行时

Lobster 是 OpenProse 的底层工作流运行时引擎，提供：

核心特性

| 特性 | 说明 |
|------|------|
| 类型化工作流 | 步骤之间的数据传递有类型约束 |
| 可恢复执行 | 工作流中断后可以从断点恢复 |
| 审批门控 | 支持人工审批暂停/恢复 |
| 状态持久化 | 工作流状态保存到磁盘 |
| 超时控制 | 每个步骤可以设置超时时间 |

工作流状态


创建 → 运行中 → [等待审批] → 运行中 → 完成
                     ↓
                   超时/取消



| 状态 | 说明 |
|------|------|
|

created

 | 工作流已创建，尚未开始 |
|

running

 | 正在执行步骤 |
|

waiting

 | 等待人工审批或外部事件 |
|

completed

 | 所有步骤执行完成 |
|

failed

 | 某个步骤执行失败 |
|

cancelled

 | 被用户取消 |

恢复机制

当工作流因审批、超时或 Gateway 重启而中断时，Lobster 可以从上次的断点恢复：


工作流执行到步骤 3 → Gateway 重启 → 自动从步骤 3 恢复继续



这对长时间运行的工作流特别重要——你不需要从头开始。

LLM Task 工具

LLM Task 是 OpenProse 中的一个特殊工具，用于在工作流步骤中调用 AI 模型并获取结构化输出。

什么是 LLM Task

普通的 AI 对话返回自由文本，而 LLM Task 返回结构化的 JSON 数据：


普通对话：
  输入："分析这段代码的问题"
  输出："这段代码有几个问题：首先..."（自由文本）

LLM Task：
  输入："分析这段代码的问题"
  输出：{ "issues": [...], "severity": "medium", "suggestions": [...] }



使用场景

LLM Task 适合需要程序化处理 AI 输出的场景：

markdown
步骤 2：分类邮件
使用 LLM Task 对每封邮件进行分类：

输出格式：

json
{
  "category": "工作|个人|广告|垃圾",
  "priority": "高|中|低",
  "summary": "一句话摘要",
  "actionRequired": true/false
}



与普通步骤的区别

| 对比 | 普通步骤 | LLM Task |
|------|---------|----------|
| 输出格式 | 自由文本 | 结构化 JSON |
| 后续处理 | 需要 AI 理解 | 可以程序化处理 |
| 适用场景 | 生成报告、回答问题 | 数据提取、分类、评分 |

Diffs 工具

Diffs 是 OpenProse 提供的差异查看工具，用于在工作流中展示文件或数据的变更。

使用场景

markdown
步骤 3：展示变更
使用 Diffs 工具展示代码修改前后的差异，让用户审核。



Diffs 工具会生成类似 Git diff 的可视化输出：

diff
- const port = 3000
+ const port = process.env.PORT || 3000

- app.listen(port)
+ app.listen(port, '0.0.0.0', () => {
+   console.log(

Server running on port ${port}

)
+ })



这在代码审查和配置变更的工作流中特别有用。

实用场景示例

场景一：多步骤研究 → 总结

markdown
工作流：技术调研报告

步骤 1：搜索资料
搜索关于"WebAssembly 在服务端的应用"的最新资料，收集 5-10 篇相关文章。

步骤 2：提取要点
从每篇文章中提取：
- 核心观点
- 技术方案
- 优缺点

步骤 3：对比分析
对比不同方案的优缺点，形成对比表格。

步骤 4：生成报告
整理成一份 2000 字以内的中文调研报告，包含：
- 背景介绍
- 方案对比
- 推荐方案
- 参考链接



场景二：代码审查流程

markdown
工作流：PR 代码审查

步骤 1：获取变更
读取最近的代码变更文件列表。

步骤 2：逐文件审查
对每个变更文件进行审查，检查：
- 代码风格一致性
- 潜在的 bug
- 性能问题
- 安全隐患

步骤 3：生成审查意见
汇总所有发现，按严重程度排序。

步骤 4：等待确认
> 🔒 展示审查结果，等待用户确认是否需要修改。

步骤 5：应用修复
根据用户确认的审查意见，自动修复可以自动处理的问题。



场景三：数据处理管道

markdown
工作流：CSV 数据清洗

步骤 1：读取数据
读取 data/raw.csv 文件。

步骤 2：数据清洗（LLM Task）
使用 LLM Task 识别并修复数据问题：
- 缺失值处理
- 格式统一
- 异常值标记

输出格式：
{
  "cleanedRows": 数量,
  "issues": [{"row": 行号, "column": 列名, "issue": "问题描述"}]
}

步骤 3：展示变更
使用 Diffs 展示清洗前后的数据差异。

步骤 4：保存结果
将清洗后的数据保存到 data/cleaned.csv。



创建和运行工作流

创建工作流文件

将工作流定义保存为 Markdown 文件：

bash
保存到工作区
~/.openclaw/workspace/workflows/daily-report.md



运行工作流

在聊天中触发：


你：运行"每日新闻摘要"工作流
智能体：开始执行工作流...
  ✅ 步骤 1：收集新闻 — 完成
  ✅ 步骤 2：分析趋势 — 完成
  ✅ 步骤 3：生成报告 — 完成
  ✅ 步骤 4：发送报告 — 完成
工作流执行完成！



定时运行

结合 Cron 定时任务自动运行工作流：

bash
openclaw cron add --schedule "0 9 * * *" --message "运行每日新闻摘要工作流"

注意事项

1. 实验性功能：OpenProse 仍在积极开发中，格式和 API 可能变化 2. Token 消耗：多步骤工作流会消耗较多 Token，注意成本控制 3. 超时处理：长时间运行的步骤建议设置超时 4. 错误恢复：利用 Lobster 的恢复机制处理中断 5. 审批节点：在关键操作前添加人工审批，避免自动化失控

小结

- OpenProse 用 Markdown 定义工作流，简单直观 - Lobster 运行时提供可恢复执行和审批门控 - LLM Task 获取结构化 JSON 输出，便于程序化处理 - 适合多步骤研究、代码审查、数据处理等场景 - 目前是实验性功能，持续关注更新 #OpenProse #工作流编排 #Lobster #实验性功能 #龙虾技能库