awesome-codex-skills 实战基于 Rube MCP 的 FlowiseAI 工作流自动化flowiseai-automation【免费下载链接】awesome-codex-skillsA curated list of practical Codex skills for automating workflows across the Codex CLI and API.项目地址: https://gitcode.com/GitHub_Trending/aw/awesome-codex-skills导读flowiseai-automation是 awesome-codex-skills 仓库中面向FlowiseAI 低代码 LLM 应用编排平台的 Codex Skill其核心思路是通过 Rube MCP一个无需 API Key 即可接入的 MCP 端点把 Composio 提供的 FlowiseAI 工具集暴露给 Codex让 Agent 能以先搜索工具、再检查连接、最后执行的标准三步流程自动完成 FlowiseAI 上的各类操作。读完本文你将掌握如何配置 Rube MCP、如何通过RUBE_SEARCH_TOOLS动态发现工具、如何用RUBE_MANAGE_CONNECTIONS建立 FlowiseAI 连接以及如何在RUBE_MULTI_EXECUTE_TOOL中按 Schema 安全执行调用并规避最常见的六类坑。一、Skill 定位与整体架构1.1 这个 Skill 解决什么问题在 README.md 中Codex Skill 被定义为模块化的指令包每个 Skill 独立成文件夹内含带name与description元数据的SKILL.mdCodex 根据description决定何时触发该 Skill只在触发后才加载正文从而保持上下文精简。flowiseai-automation就遵循这一规范。它的 SKILL.md 顶部 frontmatter 声明了--- name: flowiseai-automation description: Automate Flowiseai tasks via Rube MCP (Composio). Always search tools first for current schemas. requires: mcp: [rube] ---关键信息有两处一是触发条件涉及 FlowiseAI 自动化任务时启用二是硬性前置需要rube这个 MCP 服务器已注册。整篇 Skill 围绕通过 Rube MCP 使用 Composio 的 FlowiseAI 工具集展开。1.2 在仓库中的位置该 Skill 位于 composio-skills/flowiseai-automation/SKILL.md。值得注意的是composio-skills/目录下存放着数百个同构的自动化 Skill如 composio-automation、composio-search-automation 等它们共用同一套 Rube MCP 工作流骨架区别仅在于toolkits参数与具体 use case。从源码结构看这是一套一次掌握、处处复用的通用自动化范式FlowiseAI 只是其中一个实例。二、环境准备Prerequisites在开始任何 FlowiseAI 自动化之前必须满足三个前置条件Rube MCP 已连接RUBE_SEARCH_TOOLS工具可用FlowiseAI 连接已建立通过RUBE_MANAGE_CONNECTIONS建立了 toolkit 为flowiseai的连接且状态为ACTIVE先搜索后执行任何工作流开始前必须先调用RUBE_SEARCH_TOOLS获取当前的工具 Schema。这三个条件对应了 Skill 中反复强调的核心理念工具 Schema 会变永远不要硬编码工具 slug 或参数。三、Setup接入 Rube MCP 并建立 FlowiseAI 连接3.1 获取 Rube MCPSetup 部分给出的接入方式非常轻量Get Rube MCP: Addhttps://rube.app/mcpas an MCP server in your client configuration. No API keys needed — just add the endpoint and it works.也就是说只需要在客户端如 Codex的 MCP 配置中把https://rube.app/mcp添加为一个 MCP Server无需任何 API Key添加端点即可使用。这与 README.md 中介绍的 Composio MCP Gateway 思路一致——通过单一 MCP 端点获得大量集成的访问能力。3.2 四步完成连接建立接入 Rube MCP 后按以下四步建立 FlowiseAI 连接验证可用性确认RUBE_SEARCH_TOOLS有响应发起连接调用RUBE_MANAGE_CONNECTIONStoolkit 传flowiseai完成认证若连接状态不是ACTIVE按返回的 auth 链接完成授权设置确认状态在运行任何工作流之前确认连接状态显示为ACTIVE。这一过程本质上是 OAuth 流程的 Agent 化封装Agent 发起连接请求 → 获得授权链接 → 引导用户完成授权 → 连接持久化。四、工具发现一切从 RUBE_SEARCH_TOOLS 开始Skill 明确规定执行任何工作流之前必须先发现可用工具。标准用法如下RUBE_SEARCH_TOOLS queries: [{use_case: Flowiseai operations, known_fields: }] session: {generate_id: true}调用后返回的内容包括可用工具的slug 列表每个工具的输入 Schema字段名、类型推荐的执行计划recommended execution plans已知陷阱known pitfalls。其中session: {generate_id: true}表示让服务端生成一个新的会话 IDknown_fields留空表示不预置已知字段完全依赖服务端返回的 Schema。这一设计从根源上规避了Schema 漂移问题——工具接口由远端维护Agent 每次按最新 Schema 动态适配。五、核心工作流模式Core Workflow PatternSkill 给出了一个三步式核心工作流这是所有 FlowiseAI 自动化任务的骨架。5.1 Step 1发现可用工具针对具体任务做定向搜索并复用已有会话 IDRUBE_SEARCH_TOOLS queries: [{use_case: your specific Flowiseai task}] session: {id: existing_session_id}把use_case替换为具体任务描述例如在 FlowiseAI 中创建聊天流服务端会返回与该任务匹配的工具 slug 与 Schema。5.2 Step 2检查连接RUBE_MANAGE_CONNECTIONS toolkits: [flowiseai] session_id: your_session_id注意这里的参数是复数形式的toolkits数组且必须传入你当前的session_id。返回结果中重点确认 FlowiseAI 的连接状态为ACTIVE否则按 Setup 步骤补齐授权。5.3 Step 3执行工具RUBE_MULTI_EXECUTE_TOOL tools: [{ tool_slug: TOOL_SLUG_FROM_SEARCH, arguments: {/* schema-compliant args from search results */} }] memory: {} session_id: your_session_id执行时要点tool_slug必须来自 Step 1 的搜索结果不要凭记忆硬编码arguments必须严格符合搜索返回的 Schema字段名、类型逐一对应memory参数必须始终携带即使为空也要传{}session_id沿用当前工作流的会话 ID。RUBE_MULTI_EXECUTE_TOOL支持一次传入多个工具调用tools为数组这意味着可以在一次往返中批量编排多个 FlowiseAI 操作适合查询 → 处理 → 写入这类多步骤任务。六、已知陷阱清单Known PitfallsSkill 用整整一节总结了实践中最容易踩的坑逐条展开如下陷阱正确做法底层原因先搜索任何情况下都先调用RUBE_SEARCH_TOOLS绝不硬编码工具 slug 或参数工具 Schema 会随远端升级而变化检查连接执行前用RUBE_MANAGE_CONNECTIONS确认状态为ACTIVE连接过期或未授权会导致调用失败Schema 合规使用搜索结果中的精确字段名与类型参数不匹配会导致执行报错或静默失败memory 参数调用RUBE_MULTI_EXECUTE_TOOL时始终携带memory空则传{}该参数是调用契约的一部分缺失会导致请求不合法会话复用同一工作流内复用 session ID新工作流生成新 ID会话用于串联上下文跨任务复用会造成状态污染分页检查响应中的分页 token持续拉取直到取完列表类结果可能被截断不翻页会丢失数据这六条中先搜索是最高优先级原则——它统领其余所有条目slug 要搜索得到、参数要按搜索到的 Schema 填、Schema 变化由搜索兜底。七、快速参考Quick ReferenceSkill 末尾提供了一张速查表把整套工作流浓缩为四种操作操作方式查找工具用 FlowiseAI 专属 use case 调用RUBE_SEARCH_TOOLS建立连接用 toolkitflowiseai调用RUBE_MANAGE_CONNECTIONS执行调用用发现的工具 slug 调用RUBE_MULTI_EXECUTE_TOOL批量操作用run_composio_tool()调用RUBE_REMOTE_WORKBENCH完整 Schema对带schemaRef的工具用RUBE_GET_TOOL_SCHEMAS获取完整定义其中两条值得展开RUBE_REMOTE_WORKBENCH适用于批量场景通过run_composio_tool()在远端工作台中执行工具适合需要对大量 FlowiseAI 资源做批处理的任务RUBE_GET_TOOL_SCHEMAS当RUBE_SEARCH_TOOLS返回的工具带有schemaRef引用时用它拉取完整的 Schema 定义确保复杂参数嵌套对象、枚举值填写正确。八、从 FlowiseAI 到通用自动化范式8.1 这套模式的通用性对比仓库中 composio-automation 与 composio-search-automation 等兄弟 Skill可以清晰看到它们从前置条件 → Setup → 工具发现 → 三步工作流 → 陷阱清单 → 速查表的结构完全一致唯一变化的是 toolkit 名称flowiseai/composio/composio_search与 use case 描述。这意味着掌握 FlowiseAI 自动化 掌握这套 Rube MCP 工作流需要接入其他平台时只需把toolkits参数替换为对应平台名并重新执行工具发现。8.2 与 Codex Skill 机制的结合按照 README.md 的说明Skill 的descriptionfrontmatter 决定了 Codex 何时自动触发它。本 Skill 的 description 中 Automate Flowiseai tasks 就是触发信号当你在 Codex 会话中自然描述 FlowiseAI 自动化需求时Codex 会匹配该 description 并加载本 Skill 的指令。安装方式与其他 Skill 一致将 composio-skills/flowiseai-automation 目录放入$CODEX_HOME/skills/默认~/.codex/skills/重启 Codex 后即可在会话中触发。结语flowiseai-automation示范了一条低摩擦接入、动态适配、安全执行的 Agent 自动化路径零 API Key 的 Rube MCP 端点解决接入成本RUBE_SEARCH_TOOLS的 Schema 动态发现解决接口漂移RUBE_MANAGE_CONNECTIONSRUBE_MULTI_EXECUTE_TOOL的组合解决授权与执行而先搜索、查连接、守 Schema、带 memory、复会话、翻分页六条铁律则保证了流程的稳定性。按照本文的步骤你可以在自己的 Codex 环境中完整复现这套 FlowiseAI 自动化工作流并将其模式迁移到仓库中其余数百个平台集成上。【免费下载链接】awesome-codex-skillsA curated list of practical Codex skills for automating workflows across the Codex CLI and API.项目地址: https://gitcode.com/GitHub_Trending/aw/awesome-codex-skills创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 awesome-codex-skills 实战：基于 Rube MCP 的 FlowiseAI 工作流自动化（flowiseai-automation）
awesome-codex-skills 实战基于 Rube MCP 的 FlowiseAI 工作流自动化flowiseai-automation【免费下载链接】awesome-codex-skillsA curated list of practical Codex skills for automating workflows across the Codex CLI and API.项目地址: https://gitcode.com/GitHub_Trending/aw/awesome-codex-skills导读flowiseai-automation是 awesome-codex-skills 仓库中面向FlowiseAI 低代码 LLM 应用编排平台的 Codex Skill其核心思路是通过 Rube MCP一个无需 API Key 即可接入的 MCP 端点把 Composio 提供的 FlowiseAI 工具集暴露给 Codex让 Agent 能以先搜索工具、再检查连接、最后执行的标准三步流程自动完成 FlowiseAI 上的各类操作。读完本文你将掌握如何配置 Rube MCP、如何通过RUBE_SEARCH_TOOLS动态发现工具、如何用RUBE_MANAGE_CONNECTIONS建立 FlowiseAI 连接以及如何在RUBE_MULTI_EXECUTE_TOOL中按 Schema 安全执行调用并规避最常见的六类坑。一、Skill 定位与整体架构1.1 这个 Skill 解决什么问题在 README.md 中Codex Skill 被定义为模块化的指令包每个 Skill 独立成文件夹内含带name与description元数据的SKILL.mdCodex 根据description决定何时触发该 Skill只在触发后才加载正文从而保持上下文精简。flowiseai-automation就遵循这一规范。它的 SKILL.md 顶部 frontmatter 声明了--- name: flowiseai-automation description: Automate Flowiseai tasks via Rube MCP (Composio). Always search tools first for current schemas. requires: mcp: [rube] ---关键信息有两处一是触发条件涉及 FlowiseAI 自动化任务时启用二是硬性前置需要rube这个 MCP 服务器已注册。整篇 Skill 围绕通过 Rube MCP 使用 Composio 的 FlowiseAI 工具集展开。1.2 在仓库中的位置该 Skill 位于 composio-skills/flowiseai-automation/SKILL.md。值得注意的是composio-skills/目录下存放着数百个同构的自动化 Skill如 composio-automation、composio-search-automation 等它们共用同一套 Rube MCP 工作流骨架区别仅在于toolkits参数与具体 use case。从源码结构看这是一套一次掌握、处处复用的通用自动化范式FlowiseAI 只是其中一个实例。二、环境准备Prerequisites在开始任何 FlowiseAI 自动化之前必须满足三个前置条件Rube MCP 已连接RUBE_SEARCH_TOOLS工具可用FlowiseAI 连接已建立通过RUBE_MANAGE_CONNECTIONS建立了 toolkit 为flowiseai的连接且状态为ACTIVE先搜索后执行任何工作流开始前必须先调用RUBE_SEARCH_TOOLS获取当前的工具 Schema。这三个条件对应了 Skill 中反复强调的核心理念工具 Schema 会变永远不要硬编码工具 slug 或参数。三、Setup接入 Rube MCP 并建立 FlowiseAI 连接3.1 获取 Rube MCPSetup 部分给出的接入方式非常轻量Get Rube MCP: Addhttps://rube.app/mcpas an MCP server in your client configuration. No API keys needed — just add the endpoint and it works.也就是说只需要在客户端如 Codex的 MCP 配置中把https://rube.app/mcp添加为一个 MCP Server无需任何 API Key添加端点即可使用。这与 README.md 中介绍的 Composio MCP Gateway 思路一致——通过单一 MCP 端点获得大量集成的访问能力。3.2 四步完成连接建立接入 Rube MCP 后按以下四步建立 FlowiseAI 连接验证可用性确认RUBE_SEARCH_TOOLS有响应发起连接调用RUBE_MANAGE_CONNECTIONStoolkit 传flowiseai完成认证若连接状态不是ACTIVE按返回的 auth 链接完成授权设置确认状态在运行任何工作流之前确认连接状态显示为ACTIVE。这一过程本质上是 OAuth 流程的 Agent 化封装Agent 发起连接请求 → 获得授权链接 → 引导用户完成授权 → 连接持久化。四、工具发现一切从 RUBE_SEARCH_TOOLS 开始Skill 明确规定执行任何工作流之前必须先发现可用工具。标准用法如下RUBE_SEARCH_TOOLS queries: [{use_case: Flowiseai operations, known_fields: }] session: {generate_id: true}调用后返回的内容包括可用工具的slug 列表每个工具的输入 Schema字段名、类型推荐的执行计划recommended execution plans已知陷阱known pitfalls。其中session: {generate_id: true}表示让服务端生成一个新的会话 IDknown_fields留空表示不预置已知字段完全依赖服务端返回的 Schema。这一设计从根源上规避了Schema 漂移问题——工具接口由远端维护Agent 每次按最新 Schema 动态适配。五、核心工作流模式Core Workflow PatternSkill 给出了一个三步式核心工作流这是所有 FlowiseAI 自动化任务的骨架。5.1 Step 1发现可用工具针对具体任务做定向搜索并复用已有会话 IDRUBE_SEARCH_TOOLS queries: [{use_case: your specific Flowiseai task}] session: {id: existing_session_id}把use_case替换为具体任务描述例如在 FlowiseAI 中创建聊天流服务端会返回与该任务匹配的工具 slug 与 Schema。5.2 Step 2检查连接RUBE_MANAGE_CONNECTIONS toolkits: [flowiseai] session_id: your_session_id注意这里的参数是复数形式的toolkits数组且必须传入你当前的session_id。返回结果中重点确认 FlowiseAI 的连接状态为ACTIVE否则按 Setup 步骤补齐授权。5.3 Step 3执行工具RUBE_MULTI_EXECUTE_TOOL tools: [{ tool_slug: TOOL_SLUG_FROM_SEARCH, arguments: {/* schema-compliant args from search results */} }] memory: {} session_id: your_session_id执行时要点tool_slug必须来自 Step 1 的搜索结果不要凭记忆硬编码arguments必须严格符合搜索返回的 Schema字段名、类型逐一对应memory参数必须始终携带即使为空也要传{}session_id沿用当前工作流的会话 ID。RUBE_MULTI_EXECUTE_TOOL支持一次传入多个工具调用tools为数组这意味着可以在一次往返中批量编排多个 FlowiseAI 操作适合查询 → 处理 → 写入这类多步骤任务。六、已知陷阱清单Known PitfallsSkill 用整整一节总结了实践中最容易踩的坑逐条展开如下陷阱正确做法底层原因先搜索任何情况下都先调用RUBE_SEARCH_TOOLS绝不硬编码工具 slug 或参数工具 Schema 会随远端升级而变化检查连接执行前用RUBE_MANAGE_CONNECTIONS确认状态为ACTIVE连接过期或未授权会导致调用失败Schema 合规使用搜索结果中的精确字段名与类型参数不匹配会导致执行报错或静默失败memory 参数调用RUBE_MULTI_EXECUTE_TOOL时始终携带memory空则传{}该参数是调用契约的一部分缺失会导致请求不合法会话复用同一工作流内复用 session ID新工作流生成新 ID会话用于串联上下文跨任务复用会造成状态污染分页检查响应中的分页 token持续拉取直到取完列表类结果可能被截断不翻页会丢失数据这六条中先搜索是最高优先级原则——它统领其余所有条目slug 要搜索得到、参数要按搜索到的 Schema 填、Schema 变化由搜索兜底。七、快速参考Quick ReferenceSkill 末尾提供了一张速查表把整套工作流浓缩为四种操作操作方式查找工具用 FlowiseAI 专属 use case 调用RUBE_SEARCH_TOOLS建立连接用 toolkitflowiseai调用RUBE_MANAGE_CONNECTIONS执行调用用发现的工具 slug 调用RUBE_MULTI_EXECUTE_TOOL批量操作用run_composio_tool()调用RUBE_REMOTE_WORKBENCH完整 Schema对带schemaRef的工具用RUBE_GET_TOOL_SCHEMAS获取完整定义其中两条值得展开RUBE_REMOTE_WORKBENCH适用于批量场景通过run_composio_tool()在远端工作台中执行工具适合需要对大量 FlowiseAI 资源做批处理的任务RUBE_GET_TOOL_SCHEMAS当RUBE_SEARCH_TOOLS返回的工具带有schemaRef引用时用它拉取完整的 Schema 定义确保复杂参数嵌套对象、枚举值填写正确。八、从 FlowiseAI 到通用自动化范式8.1 这套模式的通用性对比仓库中 composio-automation 与 composio-search-automation 等兄弟 Skill可以清晰看到它们从前置条件 → Setup → 工具发现 → 三步工作流 → 陷阱清单 → 速查表的结构完全一致唯一变化的是 toolkit 名称flowiseai/composio/composio_search与 use case 描述。这意味着掌握 FlowiseAI 自动化 掌握这套 Rube MCP 工作流需要接入其他平台时只需把toolkits参数替换为对应平台名并重新执行工具发现。8.2 与 Codex Skill 机制的结合按照 README.md 的说明Skill 的descriptionfrontmatter 决定了 Codex 何时自动触发它。本 Skill 的 description 中 Automate Flowiseai tasks 就是触发信号当你在 Codex 会话中自然描述 FlowiseAI 自动化需求时Codex 会匹配该 description 并加载本 Skill 的指令。安装方式与其他 Skill 一致将 composio-skills/flowiseai-automation 目录放入$CODEX_HOME/skills/默认~/.codex/skills/重启 Codex 后即可在会话中触发。结语flowiseai-automation示范了一条低摩擦接入、动态适配、安全执行的 Agent 自动化路径零 API Key 的 Rube MCP 端点解决接入成本RUBE_SEARCH_TOOLS的 Schema 动态发现解决接口漂移RUBE_MANAGE_CONNECTIONSRUBE_MULTI_EXECUTE_TOOL的组合解决授权与执行而先搜索、查连接、守 Schema、带 memory、复会话、翻分页六条铁律则保证了流程的稳定性。按照本文的步骤你可以在自己的 Codex 环境中完整复现这套 FlowiseAI 自动化工作流并将其模式迁移到仓库中其余数百个平台集成上。【免费下载链接】awesome-codex-skillsA curated list of practical Codex skills for automating workflows across the Codex CLI and API.项目地址: https://gitcode.com/GitHub_Trending/aw/awesome-codex-skills创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考