Superpowers-zh workflow-runner

在 Claude Code / OpenClaw / Cursor 中直接运行 agency-orchestrator YAML 工作流——无需 API key，使用当前会话的 LLM 作为执行引擎。当用户提供 .yaml 工作流文件或要求多角色协作完成任务时触发。

install

source · Clone the upstream repo

git clone https://github.com/jnMetaCode/superpowers-zh

Claude Code · Install into ~/.claude/skills/

T=$(mktemp -d) && git clone --depth=1 https://github.com/jnMetaCode/superpowers-zh "$T" && mkdir -p ~/.claude/skills && cp -r "$T/skills/workflow-runner" ~/.claude/skills/jnmetacode-superpowers-zh-workflow-runner && rm -rf "$T"

manifest: skills/workflow-runner/SKILL.md

source content

工作流执行器：在 AI 工具内运行多角色编排

直接在当前会话中执行 agency-orchestrator 的 YAML 工作流，无需配置 API key。当前 LLM 就是执行引擎——依次扮演每个角色完成任务。

适用场景

用户提供了一个
```
.yaml
```
工作流文件（如
```
运行 workflows/story-creation.yaml
```
）
用户要求多个角色协作完成任务（如"用产品经理和架构师一起评审这个 PRD"）
用户安装了
```
agency-agents-zh
```
并希望直接在 AI 工具内编排多角色

执行流程（5 步）

按以下顺序执行，不要跳步：

第 1 步：解析工作流

用 Read 工具读取用户指定的 YAML 文件，提取以下字段：

name: "工作流名称"
agents_dir: "agency-agents-zh"    # 角色定义目录
inputs:                            # 输入变量
  - name: xxx
    required: true/false
    default: "默认值"
steps:                             # 执行步骤
  - id: step_id
    role: "category/agent-name"    # 角色路径
    task: "任务描述 {{变量}}"       # 支持模板变量
    output: variable_name          # 输出变量名
    depends_on: [other_step_id]    # 依赖关系

忽略

llm

、
concurrency
、
timeout
、
retry
配置——Skill 模式使用当前会话的 LLM，这些字段仅用于 CLI 模式。

定位角色目录：用 Bash

test -d

按以下顺序检查，用第一个存在的：

当前工作目录下的
```
{agents_dir}/
```
（如
```
./agency-agents-zh/
```
）
```
../{agents_dir}/
```
（上级目录）
相对于 YAML 文件所在目录的
```
{agents_dir}/
```
```
node_modules/agency-agents-zh/
```

如果全部找不到，停止执行并提示用户：

找不到角色目录。请先安装：
  git clone --depth 1 https://github.com/jnMetaCode/agency-agents-zh.git
  或：npm install agency-agents-zh

第 2 步：收集输入

对每个
```
required: true
```
的输入，检查用户消息中是否已提供值
未提供的必填输入：立即向用户询问，不要猜测或用空值
有
```
default
```
的可选输入：使用默认值
无默认值的可选输入：设为空字符串

第 3 步：构建执行顺序

根据

depends_on

进行拓扑排序，将步骤分成多个层级：

无 depends_on 的步骤 → 第 1 层
depends_on 全部在第 N 层或之前的步骤 → 第 N+1 层
同一层内的步骤互不依赖，可并行

在回复中展示执行计划：

执行计划（共 N 步）：
  第 1 层: [step_id] — 角色名
  第 2 层: [step_a, step_b] — 并行
  第 3 层: [step_id] — 角色名

第 4 步：逐层执行

对每一层：

4a. 预读角色文件

用 Read 工具读取该层所有步骤的角色

.md

文件：

{角色目录}/{role}.md

从文件中提取：

角色名：frontmatter 中的
```
name
```
字段
角色 system prompt：第二个
```
---
```
之后的全部 markdown 内容

4b. 渲染 task 模板

将 task 中的

{{变量名}}

替换为：

来自 inputs 的用户输入值
来自前序步骤 output 的结果文本

4c. 执行

单步骤层：直接在主会话中扮演该角色执行。格式：

### Step N/Total: step_id（角色名）

[以该角色身份完成 task，使用角色的专业知识和沟通风格]

多步骤层（并行）：使用 Agent 工具为每个步骤启动子代理。每个子代理的 prompt 必须包含：

角色文件的完整文本内容（不是路径——子代理可能无法读文件）
渲染后的 task 文本
指令："以上是你的角色定义，请以该角色身份完成以下任务，直接输出结果"

4d. 保存输出到上下文

如果 step 有

output

字段，将该步骤的输出文本存入变量上下文，供后续步骤的

{{变量}}

使用。

第 5 步：保存结果并展示

用 Write 工具将结果保存到文件：

.ao-output/{工作流名称}-{YYYY-MM-DD}/
├── steps/
│   ├── 1-{step_id}.md       # 每步的输出
│   ├── 2-{step_id}.md
│   └── ...
├── summary.md                # 最后一步的完整输出（最终成果）
└── metadata.json             # 基本元数据

metadata.json 格式：

{
  "name": "工作流名称",
  "date": "2026-03-22",
  "success": true,
  "steps": [
    {"id": "step_id", "role": "category/agent", "status": "completed"},
    ...
  ]
}

执行完毕后，向用户展示：

最终成果（summary.md 的内容）
文件保存位置
执行了几个步骤

重要规则

<HARD-GATE> - 每个步骤都必须真正扮演对应角色，使用该角色的专业知识和沟通风格，不能泛泛回答 - 角色切换必须明确——每步开始时标注角色名 - 不要跳过步骤或合并步骤，严格按 DAG 层级顺序执行 - 如果角色文件找不到，告知用户并建议安装 agency-agents-zh - 不要在没有读取角色 .md 文件的情况下执行步骤——必须先 Read 再执行 </HARD-GATE>

没有 YAML 文件时的快捷模式

如果用户没有指定 YAML 文件，但描述了需要多角色协作的任务：

根据用户描述，自动生成 YAML 工作流定义
展示给用户确认
确认后按上述流程执行

示例：

用户说"帮我用叙事学家和心理学家写个故事" → 生成 story-creation 类似的工作流
用户说"让产品经理和架构师评审这个 PRD" → 生成 product-review 类似的工作流

故障处理

角色文件不存在：提示用户运行
```
ao init
```
或
```
npm install agency-agents-zh
```
模板变量未定义：检查上下文，如果是必填输入则向用户询问
步骤执行失败：标记该步骤为失败，跳过所有依赖它的下游步骤，继续执行其他独立步骤