<rss xmlns:atom="http://www.w3.org/2005/Atom" version="2.0">
  <channel>
    <title>自动化 - 标签 - cfanzp学习笔记</title>
    <link>https://cfanzp008.github.io/tags/%E8%87%AA%E5%8A%A8%E5%8C%96/</link>
    <description>自动化 - 标签 - cfanzp学习笔记</description>
    <generator>Hugo -- gohugo.io</generator><language>zh-CN</language><managingEditor>cfan.zp@qq.com (cfanzp)</managingEditor>
      <webMaster>cfan.zp@qq.com (cfanzp)</webMaster><lastBuildDate>Wed, 08 Apr 2026 18:04:31 &#43;0800</lastBuildDate><atom:link href="https://cfanzp008.github.io/tags/%E8%87%AA%E5%8A%A8%E5%8C%96/" rel="self" type="application/rss+xml" /><item>
  <title>Superpowers 自动化使用指南</title>
  <link>https://cfanzp008.github.io/superpowers-automation-guide/</link>
  <pubDate>Wed, 08 Apr 2026 18:04:31 &#43;0800</pubDate>
  <author>作者</author>
  <guid>https://cfanzp008.github.io/superpowers-automation-guide/</guid>
  <description><![CDATA[Superpowers 自动化使用指南 什么是 Superpowers Superpowers 是 OpenCode 平台推出的一套 AI 技能框架，旨在为 AI Agent 提供专家级能力。通过 Superpowers，用户可以将特定领域的知识和工作流封装为可重用的技能（Skills），让 AI 在执行任务时能够自动调用这些技能。
Superpowers 的核心理念是「让 AI 具备专业领域知识」，就像为 AI 配备了一个随身携带的专家团队。
Superpowers 架构 技能类型 Superpowers 将技能分为两类：
Rigid Skills（刚性技能）：严格遵循预设流程，如 TDD（测试驱动开发）、Debugging
使用时必须完全按照规范执行 不允许随意调整流程 Flexible Skills（柔性技能）：可以灵活适应上下文，如 Patterns
可以根据实际情况调整实现方式 需要理解技能背后的原理 技能层级 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 Superpowers ├── 基础技能（Built-in） │ ├── playwright │ ├── frontend-ui-ux │ ├── git-master │ ├── dev-browser │ ├── review-work │ └── ai-slop-remover │ ├── 用户技能（User-installed） │ ├── doc-coauthoring │ ├── blog-do-publish │ ├── pdf │ ├── docx │ ├── xlsx │ ├── pptx │ ├── mcp-builder │ └── article-writer │ └── 超级技能（Superpowers） ├── using-superpowers ├── brainstorming ├── test-driven-development ├── systematic-debugging ├── verification-before-completion ├── requesting-code-review ├── receiving-code-review ├── finishing-a-development-branch ├── writing-plans ├── executing-plans ├── subagent-driven-development ├── writing-skills ├── skill-creator ├── using-git-worktrees └── dispatching-parallel-agents 如何使用 Superpowers 1.]]></description>
</item>
<item>
  <title>Google Workspace CLI：统一管理 Google Workspace 的命令行工具</title>
  <link>https://cfanzp008.github.io/google-workspace-cli-introduction/</link>
  <pubDate>Wed, 08 Apr 2026 16:49:45 &#43;0800</pubDate>
  <author>作者</author>
  <guid>https://cfanzp008.github.io/google-workspace-cli-introduction/</guid>
  <description><![CDATA[Google Workspace CLI：统一管理 Google Workspace 的命令行工具 引言 对于经常使用 Google Workspace（Google 工作空间）的用户来说，管理 Drive、Gmail、Calendar、Sheets、Docs、Chat 等多个服务往往需要在浏览器和多个应用之间切换。虽然 Google 提供了 Web 界面和各个服务的 API，但使用这些 API 需要编写大量重复的代码和配置。Google Workspace CLI（简称 gws）的出现改变了这一状况，它提供了一个统一的命令行界面，可以操控所有 Google Workspace 服务。
gws 在 GitHub 上已获得 24,000+ 颗星，是当前最受欢迎的 Google Workspace 命令行工具。它采用 Rust 语言开发，具有高性能和跨平台特性，同时支持人类用户和 AI 代理使用。
什么是 Google Workspace CLI Google Workspace CLI（gws）是一个统一的命令行工具，旨在为人类用户和 AI 代理提供一种简单、优雅的方式来管理所有 Google Workspace 服务。无论你是想查看 Drive 文件、发送 Gmail 邮件、管理 Calendar 事件，还是操作 Sheets 表格、Docs 文档、Chat 消息，一个 gws 命令就能搞定。
gws 的独特之处在于它采用了动态命令构建机制。它并不硬编码一组固定的命令，而是通过读取 Google 的 Discovery Service（发现服务）在运行时动态生成整个命令表面。这意味着当 Google 添加新的 API 端点或方法时，gws 会自动获取并可用，无需任何更新。]]></description>
</item>
<item>
  <title>n8n 自部署指南：开源工作流自动化平台</title>
  <link>https://cfanzp008.github.io/n8n-deployment-guide/</link>
  <pubDate>Tue, 07 Apr 2026 18:22:15 &#43;0800</pubDate>
  <author>作者</author>
  <guid>https://cfanzp008.github.io/n8n-deployment-guide/</guid>
  <description><![CDATA[n8n 自部署指南：开源工作流自动化平台 什么是 n8n n8n（发音为 &ldquo;n-eight-n&rdquo;）是一个开源的工作流自动化平台，被称为&quot;自托管的 Zapier 替代品&quot;。它允许用户通过可视化的节点编辑器创建自动化工作流，连接不同的应用程序和服务，实现业务流程的自动化。
n8n 的核心特点：
开源免费：MIT 许可证，可自托管 可视化编辑器：无需编码，通过拖拽创建工作流 丰富集成：支持 400+ 应用集成 灵活部署：支持 Docker、Kubernetes、本地部署 定时执行：支持手动、定时、事件触发 截至目前，n8n 在 GitHub 上已获得超过 37000 个 Star，是最受欢迎的自动化工作流工具之一。
部署方式选择 n8n 支持多种部署方式：
部署方式 适用场景 难度 Docker Compose（SQLite） 个人使用、小团队 简单 Docker Compose（PostgreSQL） 生产环境、多用户 中等 Node.js (npm) 本地开发测试 简单 Kubernetes 大规模生产部署 复杂 Docker Compose 部署（推荐） 环境要求 服务器：Ubuntu 22.04+ 或其他 Linux 发行版 资源：建议 2GB+ 内存，20GB+ 存储 Docker 和 Docker Compose 已安装 简单版（SQLite） 创建项目目录和配置文件：
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 mkdir -p ~/n8n &amp;&amp; cd ~/n8n cat &gt; docker-compose.]]></description>
</item>
<item>
  <title>OpenCode Skill Creator 使用指南</title>
  <link>https://cfanzp008.github.io/opencode-skill-creator-guide/</link>
  <pubDate>Tue, 07 Apr 2026 14:19:21 &#43;0800</pubDate>
  <author>作者</author>
  <guid>https://cfanzp008.github.io/opencode-skill-creator-guide/</guid>
  <description><![CDATA[OpenCode Skill Creator 使用指南 什么是 Skill Creator Skill Creator 是 Anthropic 官方提供的 Skill 开发助手，帮助开发者创建、优化和打包技能。它是 Claude Code 生态中用于扩展 Agent 能力的重要机制。
在 Claude Code / OpenCode 中，Skill（技能） 是一种可复用的能力扩展包，本质上是一个模块化知识包，可以给 AI 添加：
专业领域知识 固定工作流程 API / 工具使用方式 模板和脚本 简单理解：Skill = 给 AI 写的一份操作说明书
核心价值：
将工作流程固化为可复用的技能 让 AI 助手具备领域专业知识 提高团队协作效率 标准化工作流程 思维导图：Skill Creator 整体架构 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 ┌─────────────────────────────────────────┐ │ Skill Creator 框架 │ │ AI 技能开发与评估工具链 │ └─────────────────────────────────────────┘ │ ┌─────────────────────────────────┼─────────────────────────────────┐ │ │ │ ▼ ▼ ▼ ┌─────────────────────┐ ┌─────────────────────┐ ┌─────────────────────┐ │ 技能结构 │ │ 工作流程 │ │ 核心工具 │ │ (File Structure) │ │ (Workflow) │ │ (Tools) │ └─────────────────────┘ └─────────────────────┘ └─────────────────────┘ │ │ │ ├─SKILL.]]></description>
</item>
<item>
  <title>Ralph Loop：让AI自动循环直到任务完成</title>
  <link>https://cfanzp008.github.io/ralph-loop-introduction/</link>
  <pubDate>Tue, 07 Apr 2026 09:54:05 &#43;0800</pubDate>
  <author>作者</author>
  <guid>https://cfanzp008.github.io/ralph-loop-introduction/</guid>
  <description><![CDATA[Ralph Loop：让AI自动循环直到任务完成 背景简介 在AI辅助开发日益普及的今天，一个根本性问题困扰着开发者：AI从来不会真正“完成”工作。它可以给出接近完美的答案，却很少交付生产级别的完整解决方案。这是因为传统AI交互遵循“单次”或“对话循环”模式——你提问，AI回答，你指出问题，AI修改，如此往复，直到你疲倦并接受“差不多就行”的结果。
2025年，一个名为Ralph Loop的开源方法论应运而生，旨在解决这个AI完成度问题。该方法论由Ralphable团队提出，核心思想是将AI任务执行转变为结构化的循环过程，直到所有显式的成功标准都得到满足。截至目前，最流行的Ralph实现（snarktank/ralph）在GitHub上已获得超过14000个Star，成为AI自动化开发领域的标杆方法。
什么是Ralph Loop Ralph Loop是一种结构化的任务执行循环，其中Claude Code或GitHub Copilot将工作分解为原子任务，根据明确的标准进行自我测试，并循环直到100%的条件都通过。简而言之，它是一种让AI“工作直到完成”而非“看起来不错就停止”的方法论。
四阶段执行循环 每个Ralph Loop都遵循一致的结构：
1 执行 → 评估 → 修复 → 重复（直到所有标准通过） 第一阶段：执行（Execute）
复杂的工作被分解为最小的独立单元，称为“原子任务”。每个原子任务必须满足以下条件：可独立验证（无需其他组件即可测试）、单一职责（只做一件事）、边界清晰（有明确的范围）。
例如，将“构建用户认证系统”这个模糊任务分解为：创建包含email、hashed_password和时间戳的User模型；使用bcrypt实现密码哈希；构建带邮箱验证的注册端点；构建带令牌生成的登录端点；创建验证受保护路由令牌的中间件；为重复邮箱注册编写测试；为凭证错误登录编写测试。
第二阶段：评估（Evaluate）
每个原子任务都包含用测试条件表示的通过/失败标准。这些不是主观判断，而是客观的、二进制的条件。例如，任务“构建带邮箱验证的注册端点”的通过标准包括：POST /api/register接受{email, password}；如果邮箱格式无效返回400；如果邮箱已存在返回409；成功时返回201及用户对象；密码在存储前被哈希；所有响应包含适当的JSON结构。
第三阶段：修复（Fix）
当标准失败时，AI不会盲目猜测修复方案，而是遵循诊断模式：识别哪些具体标准失败；分析失败原因；实施有针对性的修复；记录更改内容。
第四阶段：重复（Repeat）
循环持续进行，直到所有原子任务的所有标准都通过。没有人为的“差不多就行”干预——AI根据客观标准判断完成。
工作原理详解 Ralph Loop的核心机制可以从技术层面理解：每个迭代中，AI重新读取磁盘上的RALPH.md文件，运行命令，将输出替换占位符{{placeholder}}，将组合的提示发送给Agent，Agent执行并退出，然后重复。
这意味着开发者只需编写一个RALPH.md文件，定义原子任务、成功标准和执行指令，然后启动Loop。AI会自动按照定义执行任务、测试结果、修复问题，直到所有标准都通过。
为什么传统AI工作流会失败 尽管AI能力取得了显著进步，大多数组织和个人在AI辅助工作中却持续经历挫败。问题不在于AI的智能，而在于我们的交互模式。三个根本性缺陷困扰着传统AI工作流，理解这些是理解Ralph Loop价值的关键。
单次问题 最常见的AI工作流是这样的：人类精心编写提示，AI生成响应，人类接受或拒绝。这个模式假设AI可以在复杂任务中一次生成完整、正确的作品。现实是：复杂工作需要迭代，但单次模式没有提供任何迭代机制。
单次问题表现为：表面完成——AI只解决明确提到的问题，而非隐含的内容；边缘案例缺失——复杂系统需要处理异常，而AI无法预见；集成缺口——组件单独工作但组合时失败；质量差异——输出质量严重依赖提示词的质量。
对话循环问题 当用户意识到单次问题时，通常会陷入对话循环陷阱：人类说“构建登录系统”，AI提供基础代码；人类说“添加密码验证”，AI添加验证；人类说“再添加邮箱验证”，AI添加验证；如此无限继续。这种模式没有自然结论——AI按要求添加功能，但系统何时完成却无法确定。
对话循环失败的原因包括：没有客观的完成标准——没有清晰的标准，更多功能总是可以添加；人类疲劳决定完成——系统在人累了时停止，而非真正完成；没有系统测试——每个添加都没有针对整个系统进行验证。
手动迭代问题 一些高级用户尝试手动迭代模式：AI写代码，人类运行测试，人类识别失败，人类向AI解释失败，AI修复一些问题。这种方法认识到需要迭代，但不能规模化，因为人类时间成为瓶颈——每次迭代都需要人类评估；反馈不一致——人类解释的质量和完整性各不相同；跨迭代无学习——每个修复都是孤立的，模式未被捕获；时间成本指数增长——复杂任务需要数十次迭代。
成本与后果 这些失败的后果不仅是不便：生产力流失——团队花更多时间纠正AI，而非AI节省的时间；质量债务——“差不多就行”的AI输出需要大量人工抛光；信任侵蚀——用户对重要工作失去对AI的信心；机会错失——组织为复杂任务放弃AI，而AI本可提供最大价值；技能停滞——开发者没有学会有效利用AI。
Ralph Loop的核心组件 Ralph Loop通过五个核心组件将Claude从有用助手转变为自主问题解决引擎。
原子任务分解 原子任务是可独立执行和验证的最小有意义工作单元。原子任务具有三个关键特征：单一责任——每个任务只完成一件事；独立验证——无需其他任务上下文即可测试其成功；清晰边界——任务有定义的输入和输出。
将复杂工作分解为原子 pieces 需要系统性思维：从最终目标开始——定义“完成”是什么；识别主要阶段——对相关活动进行分组；递归分解——持续分解直到任务变得原子化；检查依赖——映射什么需要在什么之前发生；验证原子性——确保每个任务满足上述三个标准。
通过/失败标准 有效的通过/失败标准必须是客观、具体和可测量的。标准必须消除歧义并防止AI“伪造”结果。模糊标准如“让表单看起来不错”“正确验证邮箱”“优雅处理错误”会导致问题，具体标准如“表单使用CSS Grid布局”“所有表单元素有统一的12px内边距”“提交按钮有#007BFF背景和白色文本”才能真正验证。
测试实现 Claude通过创建验证脚本、运行并解释结果来测试自己的工作。这种自我验证遵循模式：生成针对标准的特定测试代码；在沙盒环境中执行测试；根据通过条件分析结果；用证据记录发现。
迭代逻辑 当Claude的自我测试揭示失败时，它不会随机重试，而是遵循系统性过程：失败分析——识别哪些具体标准失败；根因诊断——确定失败原因；针对性修复——应用特定修正；重新测试——验证修复是否有效；文档记录——记录修复了什么。
迭代策略通常包括：每个任务最大尝试次数为5次；3次失败后升级阈值；3次失败后添加30秒冷却期；5次尝试后，记录问题并继续下一个任务。
完成验证 完成不仅是完成任务，而是验证所有任务的所有标准都得到满足。最终验证有三个层次：单个任务验证——每个原子任务通过其测试；集成验证——组合任务一起工作；端到端验证——完整系统满足原始要求。]]></description>
</item>
<item>
  <title>飞书 lark-cli 命令行工具使用指南</title>
  <link>https://cfanzp008.github.io/lark-cli-usage-guide/</link>
  <pubDate>Sun, 05 Apr 2026 21:13:14 &#43;0800</pubDate>
  <author>作者</author>
  <guid>https://cfanzp008.github.io/lark-cli-usage-guide/</guid>
  <description><![CDATA[飞书 lark-cli 命令行工具使用指南 背景简介 在企业协作场景中，飞书（Lark/Feishu）作为新一代办公平台，已经深入到日程管理、文档协作、项目推进等各个环节。然而，如何高效地与飞书平台进行自动化交互，一直是开发者和AI Agent面临的核心挑战。
2026年3月，飞书官方正式开源了 lark-cli 命令行工具，为开发者和AI Agent提供了统一的命令行接口。该工具支持200+命令，覆盖12个业务领域，包括即时通讯、日历、文档、云盘、多维表格、邮件、任务、会议、知识库、审批等，更重要的是提供了20个开箱即用的AI Agent技能，让AI能够直接操作飞书平台。
截至目前，lark-cli 在 GitHub 上已获得超过6700个Star，成为企业协作自动化领域的标杆工具。
安装与配置 环境要求 在开始安装之前，请确保你的开发环境满足以下要求：
Node.js：需要 npm 或 npx 包管理器 Go 1.23+ 和 Python 3：仅在使用源码编译时需要 安装方式 lark-cli 提供两种安装方式，推荐使用 npm 安装：
1 2 3 4 5 6 7 # 方式一：使用 npm 安装（推荐） npm install -g @larksuite/cli # 方式二：从源码编译安装 git clone https://github.com/larksuite/cli.git cd cli make install 安装 CLI 技能是必须步骤，否则无法使用AI Agent技能：
1 npx skills add larksuite/cli -y -g 初始化配置 安装完成后，需要进行一次性配置：]]></description>
</item>
<item>
  <title>Harness Engineering：AI 原生 DevOps 自动化平台</title>
  <link>https://cfanzp008.github.io/harness-engineering-introduction/</link>
  <pubDate>Fri, 03 Apr 2026 09:00:00 &#43;0800</pubDate>
  <author>作者</author>
  <guid>https://cfanzp008.github.io/harness-engineering-introduction/</guid>
  <description><![CDATA[Harness Engineering：AI 原生 DevOps 自动化平台 什么是 Harness Harness 是全球领先的 SaaS 开发平台公司，专注于通过 AI 能力革新软件交付流程。其核心产品是一个统一的软件交付平台，涵盖持续集成（CI）、持续部署（CD）、功能标志、云成本管理等功能。
近年来，Harness 推出了 Harness AI，将大语言模型能力引入 DevOps 领域，形成了所谓的 &ldquo;Harness Engineering&rdquo;——一种 AI 原生的软件工程实践。
什么是 Harness Engineering Harness Engineering 是指在 Harness 平台上构建和运行 AI 驱动的工作流程的方法论。它不仅仅是简单的 AI 辅助，而是将 AI Agent 深度集成到软件交付生命周期的每个阶段。
核心理念 Pipeline-Native：AI Agent 运行在 Pipeline 内部，而非外部工具 Autonomous：Agent 可以自主执行 DevOps 任务 End-to-End：覆盖代码生成之后的所有阶段 Harness AI 核心组件 1. Harness AI Code Agent 代码代理是专门为开发者设计的 AI 助手，提供以下能力：
智能代码生成：根据自然语言描述生成代码 实时代码建议：在编写过程中提供上下文建议 自动化测试生成：自动生成单元测试和集成测试 代码解释：对现有代码进行语义解释 代码审查：自动审查代码并提供改进建议 2. Harness AI DevOps Agent DevOps 代理专注于自动化运维任务：]]></description>
</item>
</channel>
</rss>
