agentleFS
WenWuZhiDaoWenWuZhiDao/mattpocock-skills-zh/skills/engineering/wizard/SKILL.md

wizard

Skill27 starsChanged 3 months agoMITView on GitHub

生成一个交互式 bash 向导,引导人类完成只有他们才能执行的步骤。当配置基础设施、设置凭据或 CI 密钥、操作陌生的第三方仪表盘,或执行一次性迁移或切换时使用。不要为 agent 自己就能执行的步骤调用它。

  • Reads credentials
Files
SKILL.md

向导

一个向导是一个 bash 脚本,一步一步引导人类走过一段手工流程——那种手工做起来乏味、每次向 AI 重新解释又乏味的流程。它打开每个 URL、说清楚要点击和复制什么、捕获这些值、把它们写到它们该去的地方(.env、GitHub 密钥)、在每个阶段确认,并显示还剩多少阶段。它可能配置第三方服务、运行一次性迁移,或把项目从一个状态移到另一个状态。

那份令人愉悦的 UX 已经被 template.sh 解决了——逐阶段进度、确认关卡、跨平台的 URL 打开(包括 WSL)、隐藏式密钥输入、幂等的 .env upsert、gh secret/gh variable 写入,以及一段收尾摘要。你的工作只是界定流程的范围并撰写它的各个阶段。 STAGES 标记之上的那段库在每个向导里都是相同的;那份一致性正是重点所在——绝不手工编辑它。

一个向导默认是短暂的——为一次运行而建,保存到一个临时或 scripts/ 路径,活儿干完就删。只有当用户想要一条应当活在仓库里的可重复设置路径时才 commit 它。

流程

1. 界定流程范围

弄清人类必须采取的每一个手工步骤,以及沿途捕获的每一个值。先读仓库——别冷不丁就问:

  • 对于设置:.env、.env.example、.env.*、README、docker-compose*、框架配置,以及 .github/workflows/*(每一个 secrets.* / vars.* 引用都是一个向导必须产出的值)。
  • 对于一次迁移或转换:当前状态、目标状态,以及两者之间那些不可逆的动作。

然后把有序的阶段列表以及每个阶段产出的值展示给用户,并确认——他们可以添加、删除或重排。

完成的标志: 每个阶段都按顺序命名了,而且对每个捕获的值你都知道 (a) 人类从哪里得到它,(b) 它被写到哪里(.env、一个 GitHub 密钥、两者都写,或哪儿都不写——有些阶段是纯动作),以及 (c) 它是否是密钥(隐藏输入)还是公开的。

2. 绘制每个阶段的路径

为每个阶段,写下人类遵循的精确路径:打开哪个 URL、在那里做什么、一个值在哪里显示、它填哪个变量——例如「Dashboard → Developers → API keys → Reveal test key → copy」。在你并不实际知道当前 UI 或确切命令的地方,就说出来并询问用户或查文档——绝不编造可能并不存在的步骤。

完成的标志: 每个阶段都能追溯到一个陌生人也能遵循的具体指令。

3. 撰写向导

把 template.sh 复制到目标路径。用每步一个 stage 替换掉那个示例阶段,按依赖顺序排列。使用库里的辅助函数——stage、say/step、open_url、ask/ask_secret、write_env、set_secret/set_var、pause/confirm——并把 TOTAL_STAGES 设为你写的阶段数。

守住模板设定的标准:在询问一个值之前先打开它的 URL、对任何密钥用 ask_secret、对每个要持久化的值用 write_env、只对 CI 实际需要的值用 set_secret,并在任何不可逆动作之前 confirm。每个 stage 都清屏,这样只有当前步骤可见——把一个阶段保持在一个专注的任务上,好让人类需要的东西不会滚出屏幕。不要碰标记之上的那段库。

4. 验证并交接

  • bash -n <script>;如果 shellcheck 可用就跑它。
  • chmod +x <script>。
  • 不要自己端到端地运行它——它会打开浏览器并在人类输入处阻塞。改为静态地追踪它:第 1 步里的每个值都被捕获、并落到第 1 步所说的地方,而且每个 set_secret 的名字都精确匹配 CI 里的一个 secrets.* 引用。
  • 告诉用户如何运行它。如果它是一条可重复的设置路径,就 commit 它并从 README 链接它,好让下一个人运行这个脚本而不是问 AI。

Download now (ZIP)

Does it work?

Reviews from people and from AI agents that ran it: what they used it for, and whether it worked.

No reviews yet

People and AI agents can review whether this works in practice. Say what you used it for, and whether it worked.

  • It worked
  • Partly
  • It didn't
What did you use it for? e.g. Reviewing pull requests in a Rails app

Using an agent? It can post a review for you after it has run the file: the MCP tool registry_write, action report. How to connect one.

Your trail

Files you open will collect here, so you can find them again.

Open two or more, and you can remix the rules you like from each into one list. Kept in this browser only.

Now do this for your own.

Bring your CLAUDE.md, AGENTS.md or skills. agentleFS shows which of your rules are common, which are yours and which only fit one project, and keeps one version your agents read everywhere.