Multi-Skill-Zusammenarbeitsworkflow
Dieses Projekt integriert die ersten drei praxisorientierten Projekte in einen vollständigen Workflow zur "Erstellung von Datenberichten".
Ziel: Multi-Skill-Orchestrierung beherrschen und lernen, wie man einen Orchestrierungs-Skill entwirft, der den Gesamtworkflow koordiniert.
Workflow-Ziel
Der Benutzer lädt eine Geschäftsdaten-Datei hoch, und das System erledigt automatisch die folgenden End-to-End-Aufgaben und liefert schließlich einen vollständigen Geschäftsbericht.
Designprinzipien für den Orchestrierungs-Skill
Der Orchestrierungs-Skill führt keine spezifische Geschäftsverarbeitung durch; er ist nur dafür verantwortlich, die Ausgaben anderer Skills zu planen, Zwischenergebnisse weiterzugeben und dem Benutzer an wichtigen Punkten den Fortschritt zu melden.
| Was der Orchestrierungs-Skill tut | Was der Orchestrierungs-Skill nicht tut |
|---|---|
| Sub-Skill-Skripte der Reihe nach aufrufen | Bereits in Sub-Skills vorhandene Funktionalität neu implementieren |
| Dateipfade zwischen Schritten weitergeben | Dateninhalte direkt manipulieren |
| Gesamtfortschritt an den Benutzer melden | Fokus auf interne Details eines einzelnen Schritts |
| Remediation-Logik nach Schrittfehlern behandeln | Ausnahmen innerhalb von Sub-Skills abfangen |
Orchestrierungsskript
Beispiel
# Dateipfad: scripts/orchestrator.py
# Orchestrierungs-Einstiegsskript für die Multi-Skill-Zusammenarbeit
import subprocess
import sys
import json
import os
import shutil
SKILLS_BASE = "/mnt/skills/public"
WORK_DIR = "/home/claude/report_work"
OUTPUT_DIR = "/mnt/user-data/outputs"
def run(script_path: str, *args) -> dict:
"""Führe das angegebene Skript aus und gib das JSON-Ergebnis zurück"""
cmd = [sys.executable, script_path] + list(args)
result = subprocess.run(cmd, capture_output=True, text=True, timeout=120)
try:
return json.loads(result.stdout)
except json.JSONDecodeError:
return {
"status": "error",
"message": result.stderr or result.stdout or "Skript hat keine Ausgabe"
}
def orchestrate(input_file: str) -> dict:
"""Führe den vollständigen Workflow zur Berichtserstellung aus"""
os.makedirs(WORK_DIR, exist_ok=True)
# ── Phase 1: Datenbereinigung ─────────────────────────────────
print("【1/3】Daten werden bereinigt...", flush=True)
clean_result = run(
f"{SKILLS_BASE}/data-cleaner/scripts/clean_data.py",
input_file,
os.path.join(WORK_DIR, "cleaned.csv")
)
if clean_result.get("status") != "success":
return {"status": "error", "stage": "Datenbereinigung",
"message": clean_result.get("message")}
print(f" Bereinigt: {clean_result.get('dup_removed', 0)} doppelte Zeilen entfernt,"
f"hat {clean_result.get('nulls_filled', 0)} fehlende Werte gefüllt", flush=True)
# ── Phase 2: Statistische Analyse ─────────────────────────────────
print("【2/3】Statistikbericht wird erstellt...", flush=True)
stats_result = run(
f"{SKILLS_BASE}/data-cleaner/scripts/calc_stats.py",
clean_result["output"],
os.path.join(WORK_DIR, "stats.json")
)
if stats_result.get("status") != "success":
return {"status": "error", "stage": "Statistische Analyse",
"message": stats_result.get("message")}
# ── Phase 3: Excel-Bericht generieren ──────────────────────────
print("【3/3】Excel-Bericht wird generiert...", flush=True)
output_name = os.path.splitext(os.path.basename(input_file))[0] + "_report.xlsx"
output_path = os.path.join(OUTPUT_DIR, output_name)
report_result = run(
f"{SKILLS_BASE}/data-cleaner/scripts/gen_report.py",
clean_result["output"],
stats_result.get("output", ""),
output_path
)
if report_result.get("status") != "success":
return {"status": "error", "stage": "Berichtsgenerierung",
"message": report_result.get("message")}
# Arbeitsverzeichnis aufräumen
shutil.rmtree(WORK_DIR, ignore_errors=True)
return {
"status": "success",
"output": output_path,
"clean_stats": {
"dup_removed": clean_result.get("dup_removed", 0),
"nulls_filled": clean_result.get("nulls_filled", 0)
}
}
if __name__ == "__main__":
if len(sys.argv) < 2:
print(json.dumps({"status": "error", "message": "Verwendung: python orchestrator.py <file path>"}))
sys.exit(1)
result = orchestrate(sys.argv[1])
print(json.dumps(result, ensure_ascii=False, indent=2))
# Orchestrierungs-Einstiegsskript für die Multi-Skill-Zusammenarbeit
import subprocess
import sys
import json
import os
import shutil
SKILLS_BASE = "/mnt/skills/public"
WORK_DIR = "/home/claude/report_work"
OUTPUT_DIR = "/mnt/user-data/outputs"
def run(script_path: str, *args) -> dict:
"""Führe das angegebene Skript aus und gib das JSON-Ergebnis zurück"""
cmd = [sys.executable, script_path] + list(args)
result = subprocess.run(cmd, capture_output=True, text=True, timeout=120)
try:
return json.loads(result.stdout)
except json.JSONDecodeError:
return {
"status": "error",
"message": result.stderr or result.stdout or "Skript hat keine Ausgabe"
}
def orchestrate(input_file: str) -> dict:
"""Führe den vollständigen Workflow zur Berichtserstellung aus"""
os.makedirs(WORK_DIR, exist_ok=True)
# ── Phase 1: Datenbereinigung ─────────────────────────────────
print("【1/3】Daten werden bereinigt...", flush=True)
clean_result = run(
f"{SKILLS_BASE}/data-cleaner/scripts/clean_data.py",
input_file,
os.path.join(WORK_DIR, "cleaned.csv")
)
if clean_result.get("status") != "success":
return {"status": "error", "stage": "Datenbereinigung",
"message": clean_result.get("message")}
print(f" Bereinigt: {clean_result.get('dup_removed', 0)} doppelte Zeilen entfernt,"
f"hat {clean_result.get('nulls_filled', 0)} fehlende Werte gefüllt", flush=True)
# ── Phase 2: Statistische Analyse ─────────────────────────────────
print("【2/3】Statistikbericht wird erstellt...", flush=True)
stats_result = run(
f"{SKILLS_BASE}/data-cleaner/scripts/calc_stats.py",
clean_result["output"],
os.path.join(WORK_DIR, "stats.json")
)
if stats_result.get("status") != "success":
return {"status": "error", "stage": "Statistische Analyse",
"message": stats_result.get("message")}
# ── Phase 3: Excel-Bericht generieren ──────────────────────────
print("【3/3】Excel-Bericht wird generiert...", flush=True)
output_name = os.path.splitext(os.path.basename(input_file))[0] + "_report.xlsx"
output_path = os.path.join(OUTPUT_DIR, output_name)
report_result = run(
f"{SKILLS_BASE}/data-cleaner/scripts/gen_report.py",
clean_result["output"],
stats_result.get("output", ""),
output_path
)
if report_result.get("status") != "success":
return {"status": "error", "stage": "Berichtsgenerierung",
"message": report_result.get("message")}
# Arbeitsverzeichnis aufräumen
shutil.rmtree(WORK_DIR, ignore_errors=True)
return {
"status": "success",
"output": output_path,
"clean_stats": {
"dup_removed": clean_result.get("dup_removed", 0),
"nulls_filled": clean_result.get("nulls_filled", 0)
}
}
if __name__ == "__main__":
if len(sys.argv) < 2:
print(json.dumps({"status": "error", "message": "Verwendung: python orchestrator.py <file path>"}))
sys.exit(1)
result = orchestrate(sys.argv[1])
print(json.dumps(result, ensure_ascii=False, indent=2))
【1/3】正在清洗数据...
已清洗:删除重复行 5 条,填充空值 18 处
【2/3】正在生成统计报告...
【3/3】正在生成 Excel 报告...
{
"status": "success",
"output": "/mnt/user-data/outputs/example_sales_report.xlsx",
"clean_stats": {"dup_removed": 5, "nulls_filled": 18}
}
SKILL.md für den Orchestrierungs-Skill
--- name: report-pipeline version: 1.0.0 description: > 完整的数据报告生成流水线:自动对上传的 CSV/Excel 文件执行数据清洗、 统计分析并生成 Excel 报告。当用户需要一键生成数据报告、 从原始数据直接输出分析报告时触发。 --- # 数据报告流水线 ## 前置条件 需要以下 Skills 已安装: - data-cleaner v1.0+ - 本 Skill 的脚本位于 /mnt/skills/public/report-pipeline/ ## 执行 获取用户上传的文件路径后,直接运行编排脚本: ```bash python scripts/orchestrator.py <文件路径> ``` 脚本会实时输出每阶段的进度,完成后输出最终文件路径。 解析 JSON 输出后调用 present_files 展示报告文件。 ## 失败处理 若任意阶段失败,输出包含 stage 和 message 的错误信息, 告知用户是哪个阶段失败以及可能的原因,不要继续执行后续阶段。Weitere Erweiterungen