Lobster Workflows：Moltbot生态的开源确定性工作流模板库

Lobster Workflows是一套给AI用的"确定性剧本"，就像给混乱的AI大脑装上了一个严格的导演。它让AI不再每次即兴发挥、随机应变，而是按照写好的剧本一步步执行，有明确的暂停检查点，确保关键操作必须经过你点头才能继续。这套系统把原本需要AI反复思考、多次调用工具的复杂流程，压缩成一次调用，既省钱又靠谱，还能随时暂停、随时恢复，就像给AI装了一个可以存档读档的游戏进度条。

故事从一个名字说起

你知道Moltbot吗？就是那个在AI圈子里最近火得一塌糊涂的家伙，以前叫Clawdbot，现在改名叫Moltbot，听起来像是某种会蜕皮的机器人。这个名字背后有个梗——Lobster，龙虾。龙虾会蜕壳，所以Moltbot这个名字就是在向它的核心引擎Lobster致敬。

今天我要给你讲的，就是在这个"Moltbot日"里，一位名叫JDRHyne的大神决定做的一件疯狂的事：把Lobster Workflows开源了。这就好比一个厨师把自己压箱底的菜谱全部公开，让所有人都能做出和他一样味道的料理。但这不是普通的菜谱，这是给AI用的"确定性剧本"，是一套让AI不再胡乱发挥、而是老老实实按剧本走的神奇工具。

Lobster Workflows的诞生

Lobster Workflows的出现，就是为了终结这种混乱。它的核心理念简单粗暴：给AI一个剧本，让它照着演，不许即兴发挥。这就像是从"即兴喜剧"变成了"百老汇音乐剧"，每一个动作、每一句台词都写在剧本里，演员（AI）只需要执行，不需要思考。

这套系统是由Lobster引擎驱动的，而Lobster又是Moltbot的核心组件。

Moltbot本身就是一个运行在本地、24小时不间断工作的AI助手，它能连接你的WhatsApp、Telegram、Slack、Discord，甚至能控制你的浏览器、文件系统、执行命令行操作。

但Moltbot最厉害的地方，就是它不是让AI随心所欲地调用工具，而是通过Lobster把这些调用打包成确定性的工作流。这就好比你请了一个超级管家，这个管家不是每次遇到事情都现场想办法，而是有一本厚厚的操作手册，遇到什么情况翻到哪一页，步骤一二三清清楚楚，绝对不走样。

核心理念

* 工作流模板集合：提供了一组 现成的 Lobster 工作流模板，覆盖常见的自动化任务，例如 PR 审查、内容发布、日常总结等。
* 确定性执行：不同于让大型语言模型（LLM）“随便推理每一步”，这些工作流模板定义了明确的步骤与检查点，使得流程可重复、可预测。
* 面向自动化与协作：可以被用来自动执行经常性的操作，并在必要时融合人工审批步骤。

五个工作流类型举例

这个仓库包含五个具体场景的工作流，

* PR Review — GitHub Pull Request 监控与摘要发布，支持仅在有变更时发送更新。
* Deploy Announce — 发布公告、整合变更日志并跨平台发布。
* Daily Roll Call — 多 agent 日报收集与汇总。
* X Morning Post — 自动生成社交平台帖子（含人工批准）。
* Knowledge Extraction — 从笔记中抽取结构化知识并写入知识库。

PR审查工作流：PR Review

JDRHyne这次开源的lobster-workflows仓库里，直接给你准备了五个开箱即用的工作流，每一个都是解决实际痛点的利器。

第一个叫PR审查工作流，带变更检测功能。这玩意儿简直是程序员的救星。

想象一下，你让AI帮你盯着GitHub上的Pull Request，传统的做法是你每次都要问"这个PR有更新吗"，AI就会去查一遍，然后告诉你结果。但Lobster的做法更聪明：它会在第一次运行时记录下PR的状态，之后每次运行都会对比之前的状态，只有真正发生变化时才报告。

这就好比你请了一个保安帮你盯着大门，传统的AI保安每次你问他"有人来过吗"他都会去门口看一眼然后回答你，不管是不是真的有人；而Lobster保安会在门口装个摄像头，只有真的有人进出时才会叫你，其他时候安安静静不打扰你。这种"只有变化才说话"的设计，既省了你的注意力，又省了API调用次数，双赢。

部署公告的自动化魔法：Deploy Announce

第二个工作流是部署公告，带跨平台发布功能。做过技术团队的人都知道，每次发版之后要写公告、通知各个渠道有多麻烦。

你要去Slack发一条，去Discord发一条，可能还要发邮件、更新内部Wiki、甚至发条推特。传统做法是写个脚本，或者用AI帮你写，但AI每次写的内容风格都不一样，有时候还会漏掉某个渠道。

Lobster的工作流把这个过程彻底标准化：从生成变更日志、撰写公告文案、到一键发布到所有平台，全部写在剧本里。

而且最关键的是，在真正发布之前，有一个"硬停止"的审批点。AI不会自作主张把消息发出去，它会生成预览，停下来等你点头。这就像是给你配了一个助理，他会把写好的新闻稿放在你桌上，等你签字确认后才会发给报社，绝对不会擅自做主。

这种"硬停止"不是建议，不是"我觉得这样可以发了你觉得呢"，而是"我停在这里了，你不说行我就一直等着"，这种确定性在自动化流程里太重要了。

多Agent点名报告的壮观场面

第三个工作流叫多Agent点名，这名字听起来像是老师在课堂上点名，实际上也差不多。

想象一下你有好几个AI助手，一个负责监控服务器状态，一个负责整理用户反馈，一个负责跟踪项目进度。每天早上你希望它们各自汇报一下昨天的情况，然后汇总成一份报告发给你。

传统的做法是你得分别问每一个，然后把答案复制粘贴到一起，或者让一个AI去采访其他AI，整个过程充满了不确定性，有时候它们会漏掉某个Agent，有时候汇总格式乱七八糟。

Lobster的工作流把这个过程变成了流水线：
第一步，同时向所有Agent发送点名指令；
第二步，收集它们的回复；
第三步，把回复整理成结构化的摘要；
第四步，生成最终报告。

整个过程一气呵成，而且因为剧本是固定的，每次跑出来的报告格式都一样，不会出现今天用表格明天用段落的混乱情况。这就像是你有一个超级秘书，每天早上八点准时给各个部门打电话收集日报，九点整把装订好的报告放在你桌上，雷打不动。

早晨发帖的人工审批门：X Morning Post

第四个工作流是X（就是以前的推特）早晨发帖，带人工审批门。

这个功能简直是社交媒体运营者的福音。你可以设定每天早上AI帮你生成一条帖子，内容基于你设定的主题、最近的新闻、或者你的项目进展。但最关键的不是生成内容，而是那个"审批门"。

AI生成帖子后，不会直接发出去，而是把草稿发给你，等你确认后才发布。这就像是给AI装了一个"刹车"，在关键节点必须你踩一脚油门才能继续。

想象一下，如果没有这个审批门，AI某天早上突然"灵感爆发"，生成了一条"我们公司要破产了哈哈"的帖子并自动发出，那画面太美不敢看。有了这个硬停止，你可以在看到草稿的那一刻喊停，修改，或者批准。而且Lobster的审批不是简单的"是或否"，它可以携带上下文信息，比如帖子的预览、建议的标签、预计的发布时间，让你做出明智的决定。

知识图谱提取的黑科技：Knowledge Extraction

第五个，也是最有技术含量的一个，是知识提取到结构化图谱。

这个功能听起来很学术，实际上超级实用。想象一下你有一大堆笔记、文档、聊天记录，里面散落着各种知识点：某个客户的需求、某个技术方案的细节、某个会议的决策。传统的搜索只能帮你找到包含关键词的文档，但无法把这些知识点连接起来。

Lobster的这个工作流可以读取你的笔记，识别出其中的实体（人名、项目名、技术术语）和关系（谁负责什么、哪个方案依赖哪个技术），然后构建成一个知识图谱。

这就好比是从一堆散落的拼图碎片，拼成了一幅完整的地图。你可以问"所有涉及张三的项目有哪些"，或者"哪些技术方案依赖于微服务架构"，系统能直接给出答案，而不是让你自己去翻文档。而且这个提取过程也是确定性的，每次运行同样的输入，得到的图谱结构是一致的，不会出现这次提取出五个实体、下次提取出八个实体的混乱情况。

确定性 vs LLM 自由流程

与普通依赖大模型自行规划的“自由流程”不同，Lobster Workflows提供确定性！

说到这里，你可能会问：为什么"确定性"这么重要？让AI每次重新规划不是更灵活吗？这就要说到AI的本质问题了。大语言模型，比如GPT-4、Claude，它们的核心能力是"预测下一个词"，这意味着它们的行为本质上是概率性的。同样的输入，每次输出可能都不一样，有时候差异很小，有时候天差地别。

在聊天场景里，这种多样性是优点，让对话更有趣；但在自动化任务里，这就是噩梦。想象一下你的自动备份脚本，每次运行的时候AI决定用不同的命令，有时候用rsync，有时候用cp，有时候突然决定"今天试试新的备份工具吧"，这谁受得了？

Lobster Workflows的确定性，就是把AI的"创意"关在笼子里。AI的作用被限制在"决定什么时候运行工作流"和"提供工作流需要的参数"，而工作流本身的执行步骤是固定的、可预测的、可重复的。这就像是你请了一个有创意的司机，他可以选择什么时候出发、走哪条路线，但车上的货物装卸流程是标准化的，不会因为他今天心情好就把箱子摆成艺术品。

一次调用 vs 十次调用的战争

Lobster的另一个巨大优势，是"一次调用代替多次调用"。

传统的AI自动化，比如让AI帮你整理收件箱，流程可能是这样的：AI说"我要先看看有哪些邮件"，然后调用工具获取邮件列表；看完说"我觉得这些需要分类"，然后调用分类工具；分完类说"现在我要处理第一类"，再调用处理工具……每一步都需要AI思考、决策、调用工具，整个过程可能要来回十次甚至更多。每一次调用都要消耗token（就是钱），都要等待AI的响应（就是时间），都要承担AI突然"跑偏"的风险（就是不确定性）。

Lobster的做法是把这十次调用打包成一次。

你告诉Lobster"运行收件箱整理工作流"，Lobster会按照预定的剧本，依次执行获取列表、分类、处理，不需要AI在中间做决策，只需要在最后需要人工确认的地方停下来。这就像是你去餐厅吃饭，传统做法是每道菜都要叫服务员点一次单，而Lobster是给你一个套餐，一键下单，厨房按顺序出菜，只有最后买单的时候需要你确认。既省了时间，又省了钱，还减少了出错的机会。

审批门的硬停止哲学

Lobster的审批机制也值得一提。在很多AI系统里，"审批"往往是一个软提示，AI会说"我建议发送这封邮件，你觉得呢？"然后等你回复。但问题是，AI在等待你回复的时候，可能还在"思考"，有时候甚至会"忍不住"帮你做了决定。

Lobster的审批是真正的"硬停止"，工作流执行到审批点，会完全暂停，生成一个resumeToken（恢复令牌），就像游戏存档一样。

你可以过一个小时、一天、甚至一周后再来决定是否继续，工作流会从暂停的地方精确恢复，不会重新运行之前的步骤。

这种设计对于需要人工审核的关键操作太重要了。比如自动购买、数据删除、对外发布信息，这些操作一旦执行就无法撤销，必须在执行前让人类把关。而且因为状态是持久化的，你甚至可以在手机上收到审批通知，点头同意后工作流在服务器上继续运行，这种灵活性是传统脚本很难实现的。

像Shell脚本，但是给AI用的

JDRHyne在介绍Lobster Workflows时说了一句很形象的话："Think shell scripts for AI agents"，就是"给AI代理用的Shell脚本"。这个比喻非常精准。

Shell脚本是程序员的老朋友，它把一系列命令打包成一个文件，运行这个文件就相当于按顺序执行这些命令，每次运行的结果都是一样的。Lobster Workflows就是AI时代的Shell脚本，它把一系列工具调用打包成一个工作流，运行这个工作流就相当于按顺序执行这些调用，每次运行的路径都是一样的。

但Lobster比传统Shell脚本更强大，因为它内置了审批机制、状态持久化、JSON数据流、错误处理等现代功能。

传统的Shell脚本如果运行到一半卡住了，你可能需要重新运行，前面的步骤会重复执行；Lobster可以从断点精确恢复。传统的Shell脚本处理复杂数据结构很麻烦，需要借助jq等工具；Lobster原生支持JSON数据流，步骤之间可以方便地传递结构化数据。

传统的Shell脚本错误处理往往靠set -e，出错就退出；Lobster有更精细的错误处理和重试机制。

所以说，Lobster是"Shell脚本的进化版"，专为AI时代设计。

与Moltbot的完美搭配

Lobster Workflows不是孤立存在的，它是Moltbot生态系统的一部分。

Moltbot本身就是一个强大的本地AI助手，它可以连接各种消息平台、控制本地资源、执行自动化任务。而Lobster是Moltbot的"工作流引擎"，负责把Moltbot的意图转化为确定性的执行。

这两者的搭配就像是大脑和肌肉的关系：Moltbot负责思考、决策、理解你的意图，Lobster负责执行、确保流程可控、处理繁琐的细节。

当你对Moltbot说"帮我整理一下今天的邮件"时，Moltbot理解你的需求，决定调用哪个Lobster工作流，提供必要的参数（比如"今天"是指最近24小时），然后Lobster接手，按照预定的步骤执行，在需要确认的地方暂停，最后把结果返回给Moltbot，Moltbot再用自然的语言回复你。整个流程既智能又可控，既灵活又确定。

快速上手指南（摘要）

1. 安装 Lobster / Moltbot
   按官方方式将工作流引擎装到你的环境中。
2. 克隆这个仓库

bash
   git clone https://github.com/jdrhyne/lobster-workflows.git
   

3. 复制并自定义工作流
   把某个 .lobster 工作流文件复制到你的 Lobster 配置目录内并根据平台调整参数。

4. 运行工作流
   使用 lobster run 命令运行特定模板，比如：

bash
   lobster run workflows/pr-review.lobster --args-json '{"repo":"owner/repo","pr":"123"}'