zy839971925-zyy/Agent--deep-research-Workflow-Skills / skills/reasoning-workflow
reasoning-workflow
VerifiedDefault silent workflow for everyday questions, research, writing, design and engineering. Match effort to the request, resolve costly ambiguity, find specialist resources and verify the requested outcome. Explicitly selectable with “调用我的 workflow skills”.
meta/README.zh-CN.md
View on GitHub> Archived repository overview, retained for background. The active 2.1 package starts at [README](../README.md) and [SKILL](../SKILL.md). Modular/plugin repository editions described below are not included or installed by this package.
<div align="center">
<img src="../assets/icon.svg" width="88" height="88" alt="Reasoning Workflow" />
# Reasoning Workflow
### 在搜索、决策和行动之前,先真正理解问题
一套面向 AI Agent 的通用治理型 Skill:覆盖推理、Deep Research、决策、受控执行、验证,以及受证据门控的工作流学习。
[English](./README.md) · **简体中文**
[30 秒开始](#30-秒开始) · [选择版本](#选择版本) · [怎么使用](#怎么使用) · [深度等级](#深度等级light--ultra) · [工作流怎么思考](#工作流怎么思考) · [仓库结构](#仓库结构)
**[查看 Portable / canonical Skill](../)** · **查看 Modular 版 (historical repository path: `./modular/`; not shipped here)** · [直接阅读 `SKILL.md`](../SKILL.md)
</div>
---
## 为什么要做这个项目
现在的强 Agent 已经可以搜索、写作、编程、调用工具、分配子 Agent,甚至连续工作很久。越来越难的问题已经不是“它会不会做”,而是:
- 它解决的是不是真正的问题?
- 问题框架本身会不会就是错的?
- 它有没有把 token 和工具调用花在真正决定答案的地方?
- 搜到的内容到底是“相关”,还是能真正支持关键结论?
- 推荐方案是否稳健,还是只要假设稍微变化就会翻转?
- 工具失败到底是工具参数问题、观察问题、状态丢失、计划问题,还是说明整个问题模型都该重建?
- 第二个模型说“同意”,到底算不算独立验证?
- 最后一次工具调用成功了,是否真的意味着任务完成?
Reasoning Workflow 管的就是这一层。
它不会替代 Coding Skill、浏览器、数据分析 Skill、设计 Skill、专业领域 Skill 或具体工具,而是负责决定:**当前究竟要解决什么、应该投入多深、接下来最值得做什么、结果什么时候才算真正闭环。**
目标不是把所有任务都做长,而是让投入与**不确定性、后果和真实决策价值**相匹配。
> **研究应该沿着问题本身的结构前进,而不是沿着用户问题里的关键词前进。**
---
## 它是什么,又不是什么
Reasoning Workflow 是位于 specialist Skills 和工具之上的治理层。它可以调度编程、浏览、数据、设计、连接器、子 Agent 等能力,但不会试图把所有能力都塞进自己。
它**不是**:
- 提示词合集;
- 固定思维链模板;
- 每次必须执行的几十步 SOP;
- “固定查 N 个来源”的 Deep Research 配方;
- 固定多 Agent 组织架构;
- 让 Agent 遇到复杂任务就不断反问用户的理由;
- 权限、安全控制、领域专家或 specialist Skill 的替代品;
- “调用过 Workflow,所以答案一定对”的证明。
它更强调的是:**稳定的语义约束 + 自适应策略。**
对 GPT-5.6 及之后这类更强的模型,不应该把规划写死。模型应该可以依据当前问题状态,自由选择、重排、重复、压缩或跳过策略,只要不破坏核心语义约束。
---
## 30 秒开始
### 支持的 Coding Agent:一条命令安装
如果你使用开放的 `skills` CLI,最省事的跨 Agent 安装方式是:
```bash
npx skills add zy839971925-zyy/Agent--deep-research-Workflow-Skills --skill reasoning-workflow
```
它可以把 Skill 安装到 Codex、Claude Code 等支持的 Agent。加 `-g` 可以全局安装,也可以先用 `--list` 看清楚仓库里暴露了哪些 Skill:
```bash
# 先查看,不安装
npx skills add zy839971925-zyy/Agent--deep-research-Workflow-Skills --list
# 示例:把 Portable 全局安装到 Codex
npx skills add zy839971925-zyy/Agent--deep-research-Workflow-Skills \
--skill reasoning-workflow --agent codex -g
```
这是开放 Agent Skills 生态里的便捷安装器,不是 Reasoning Workflow 的强制依赖。下面仍然保留 ChatGPT、Codex、Claude Code 的原生/手动安装方式。
### ChatGPT Skills
如果你的 ChatGPT 工作区支持上传 Skills:
1. 打开 **插件 → Skills**。
2. 选择 **创建 → 从计算机上传**。
3. 上传由 [`skills/reasoning-workflow/`](../) 组成的 Portable Skill 文件夹/压缩包。
4. 安装完成后,直接让 ChatGPT “使用 Reasoning Workflow” 完成任务即可。
如果你自己打包,请确保上传包根目录就是 `SKILL.md`,并保留它旁边的:
```text
references/
families/
schemas/
scripts/
agents/
assets/
```
不要再把整个 GitHub 仓库、测试文件或 README 一起塞进 Skill 安装包。
### Codex
Portable 遵循 Agent Skills 结构。可以直接让 Codex 的 skill installer 从 GitHub 文件夹安装:
```text
$skill-installer install https://github.com/zy839971925-zyy/Agent--deep-research-Workflow-Skills/tree/main/skills/reasoning-workflow
```
也可以直接复制到 Codex / Agent Skills 常见目录,例如:
```text
.agents/skills/reasoning-workflow/
```
仓库根目录还保留了 `.codex-plugin/plugin.json` (historical repository path: `./.codex-plugin/plugin.json`; not shipped here),用于 Codex Plugin 形式的发现和展示。
### Claude Code
把 Portable Skill 文件夹复制到项目级或用户级 Skills 目录:
```text
# 当前项目
.claude/skills/reasoning-workflow/
# 用户全局
~/.claude/skills/reasoning-workflow/
```
注意:`SKILL.md` 必须位于一个有名字的 Skill 文件夹内,不要直接放成 `.claude/skills/SKILL.md`。
### 其他兼容 Agent Skills 的客户端
核心结构始终相同:
```text
reasoning-workflow/
└── SKILL.md
```
公开的 [Agent Skills 规范](https://agentskills.io/) 规定 `SKILL.md` 是必要入口,scripts / references / assets 都是可选支持资源。不同客户端只是在“去哪里发现这个文件夹”上略有差异。
---
## 选择版本
GitHub `main` 直接公开 Portable 和 Modular 两套正常目录,不用先下载 ZIP 才能看到内部内容。
| 版本 | 位置 | 最适合 | 特点 |
| --- | --- | --- | --- |
| **Portable / canonical** | [`skills/reasoning-workflow/`](../) | 大多数用户;ChatGPT / Codex / Claude;只想装一个总控 Skill | 完整深度门、跨 Family 路由、schema 和可选确定性 runtime helper |
| **Modular** | `modular/skills/` (historical repository path: `./modular/skills/`; not shipped here) | 已经有成熟 Skill 路由能力、希望独立组合模块的高级用户 | 六个轻量语义 Skill,不重复 Portable 的 Python/schema runtime |
### 默认选 Portable
Portable 是完整的 Reasoning Workflow,也是 canonical implementation。它包含:
- `SKILL.md` —— 总入口;
- 六个 Family 索引;
- 按需加载的 references;
- Task / state / runtime 的机器可读 schema;
- 少量用于确定性路由和校验的 Python runtime helper;
- OpenAI host metadata、图标和随 Skill 分发的 MIT License。
它不包含单元测试、regression/eval fixtures、benchmark harness、distribution build 工具、本地 build report 或生成的 ZIP。这些材料不属于用户运行 Workflow 所需的公开 Skill 表面。
### Modular:轻量模块版
Modular 直接公开六个独立语义 Skill:
- `reasoning-core` (historical repository path: `./modular/skills/reasoning-core/`; not shipped here)
- `deep-research` (historical repository path: `./modular/skills/deep-research/`; not shipped here)
- `decision-analysis` (historical repository path: `./modular/skills/decision-analysis/`; not shipped here)
- `execution-control` (historical repository path: `./modular/skills/execution-control/`; not shipped here)
- `audit-verification` (historical repository path: `./modular/skills/audit-verification/`; not shipped here)
- `workflow-learning` (historical repository path: `./modular/skills/workflow-learning/`; not shipped here)
每个 Skill 只包含自己负责的 instructions、Family references 和许可证,不复制 Portable 的 schemas / Python runtime。
如果你需要完整 deterministic router、状态校验、execution validator 或 cross-Family governing loop,就用 Portable。
也可以只安装某个 Modular Skill:
```bash
npx skills add zy839971925-zyy/Agent--deep-research-Workflow-Skills --skill deep-research
npx skills add zy839971925-zyy/Agent--deep-research-Workflow-Skills --skill decision-analysis
```
---
## 怎么使用
你通常**不需要**写很长的 Prompt。
最重要的是让 Agent 知道:真实目标、关键约束、交付物,以及你是否真的需要指定推理深度。
### 通用任务
```text
使用 Reasoning Workflow 完成这个任务。
目标:[我真正想得到什么]
约束:[范围、截止时间、权限、来源要求、风险边界]
交付物:[答案、建议、代码、报告、文件等]
你自己判断合理深度。
不要因为用了 Workflow 就把一个简单任务工程化。
```
### Deep Research
```text
使用 Reasoning Workflow,Deep 深度调研这个问题:[问题]
研究要围绕决定答案的前提、关系和因果链展开,而不是直接把问题拆成关键词搜索。
区分 frame uncertainty 和 answer uncertainty。
优先寻找真正能改变答案的证据。
只要证据还不能区分多个解释,就不要过早锁定其中一个。
最后给我最有依据的结论、适用边界,以及仍然重要的不确定性。
```
### Ultra Research
```text
使用 Reasoning Workflow Ultra 深度研究:[问题]
额外预算优先投入广泛思考和发现:
必要时重新定义问题、寻找隐藏关系和遗漏变量、探索真正不同的解释和证据生态,
如果当前检索路径开始同质化或被早期关键词锚定,就主动换路线。
不要把 Ultra 的大部分预算浪费在对同一个 claim 反复核验。
关键结论仍然要强验证,但先尽可能找出当前 Max 路线可能根本没有看到的东西。
```
研究检索要从问题模型推导:先找答案依赖,确定可能改变结论的信息靶,再定位不同解释会留下不同信号的信息反应场。检索词放到最后生成。详见[信息靶导航](../references/information-target-navigation.md)。
### 做决策
```text
使用 Reasoning Workflow 帮我做这个决策。
目标:[目标]
我现在想到的方案:[A、B……]
约束:[约束]
偏好:[如果明确的话]
先检查是不是还有真正不同、且更好的备选方案被漏掉。
把事实不确定、模型不确定、偏好不确定和方案集不确定分开。
告诉我关键 trade-off、推荐在什么条件范围内仍然成立,以及什么条件会让结论切换。
只有当一个问题的答案真的可能改变决策时才来问我。
```
### 因果 / 系统分析
```text
使用 Reasoning Workflow 分析为什么会出现 [结果]。
不要把时间先后或相关性直接当成因果。
只研究真正可能改变解释的关系:
上游原因、中介、反馈、激励、替代关系、滞后、混杂、反向因果、阈值和竞争机制。
```
### 执行工程任务
```text
使用 Reasoning Workflow 执行 [任务]。
授权范围:[允许修改什么]
必须保留:[不变量]
禁止修改:[边界]
只有真实瓶颈值得并行时才分配 worker。
handoff 要留下证据和状态,不要传一大段聊天记录。
失败后先诊断发生在哪一层,再决定是否重规划。
最后验证的是有效状态,而不只是“最后一个工具调用成功”。
```
### 明确要求保持轻量
```text
使用 Reasoning Workflow,但默认保持 Light;只有发现真正重要的隐藏复杂度时再升级。
```
Workflow 既可以升级,也可以**降级**。调用它不代表自动调用 Ultra。
---
## 深度等级:Light → Ultra
Depth 控制的是**认识问题的野心和总预算**,不是固定的搜索次数、Agent 数、步骤数、reference 数或 token 数。
| 深度 | 适合 | 典型行为 |
| --- | --- | --- |
| **Light** | 稳定、直接、定义清楚的任务 | 最少 framing,直接回答/执行,只做必要检查 |
| **Standard** | 有边界的分析、写作、实现 | 正常推理和验证,少量支持 context |
| **Deep** | 重要不确定性、因果问题、争议证据 | 明确问题模型、竞争解释、更强证据和 challenge |
| **Max** | 在当前研究轨迹内做到最大有用深度 | 把当前 framing / research path 推到有效极限,并对关键结论强验证 |
| **Ultra** | 连“当前研究轨迹是否完整”都值得怀疑的问题 | 大幅增加预算,用于重新 framing、隐藏关系、替代假设、跨域和不同证据生态、missingness / boundary、强综合 |
### Max 和 Ultra 的区别
- **Max:**这条已经很强的路线,还能往多深做?
- **Ultra:**这整条路线,会不会从一开始就漏掉了什么?
Ultra 不是“Max + 更多来源”,而是高预算:
```text
发散
→ 价值剪枝
→ 深入调查
→ 新证据改变模型时重新发散
→ 收敛
```
> **Ultra:大胆扩展,聪明剪枝,选择性强验证。**
Ultra 不自动意味着固定 4 个 Agent、开局写一份巨长计划、每次调用都 max reasoning、穷尽互联网、固定来源配额或 reviewer 投票。
---
## 工作流怎么思考
核心不是线性 checklist,而是一张会被证据不断改写的依赖图:
```text
真实任务 / 目标
↓
问题表示与 framing
↓
关键前提、约束、关系、机制
↓
不确定性与竞争解释
↓
证据需求 / 观察 / 推理操作
↓
更新问题模型
↓
答案或决策
↓
获得授权后执行
↓
重新观察 + 验证
↓
如果现实不符合模型,就重新打开上游状态
```
### 先判断“这是什么问题”,再拆解
一个错误的问题框架,即使拆得再完美也没意义。
如果多个 materially different representations 都合理,Workflow 可以暂时保留多个表示,不急着坍缩到唯一框架。之后从最粗、但足以暴露关键依赖的粒度开始,只细化真正卡住答案的分支。
### Search 在 evidence need 之后
```text
problem graph
→ 不确定前提 / causal edge
→ evidence need
→ 想看到什么 observation
→ 哪个 evidence surface 最能观察到它
→ observation
→ model update
→ 下一项真正决定答案的不确定性
```
搜索词只是 evidence need 的压缩表达,不是研究计划本身。
### 深度不是重复
如果继续“想”已经无法改变:
- problem model;
- live hypotheses;
- pivotal uncertainty;
- answer boundary;
就不应该沿同一条逻辑继续烧 token,而应该更换问题表示、推理 operator、证据路线或抽象层级。
---
## 六个 Family
六个 Family 是一套 governing system 的不同路由,不是六个必走阶段。
| Family | 主要负责 | 典型触发 |
| --- | --- | --- |
| **Core Reasoning** | framing、问题表示、分解、关系、假设、解释 | 所有 substantive task,默认从轻量开始 |
| **Deep Research** | orientation、evidence need、retrieval、provenance、因果/系统不确定、forecast、Ultra | 需要真实证据或 frame 本身不稳定 |
| **Decision Analysis** | 备选方案生成、trade-off、偏好、robustness、机会成本、推荐 | 选择、优先级、资源配置 |
| **Execution Control** | 计划、授权、delegation、状态、checkpoint/recovery、replay safety | 持久工作或外部 side effect |
| **Audit / Verification** | contract check、独立 review、evaluator validity、effectiveness | 重要验证或 closure 风险 |
| **Workflow Learning** | CAPA、经验复用、negative transfer 控制、eval-gated promotion | 只在维护平面 |
普通问答可能只需要 Core Reasoning + 很轻的 verification。研究任务再加入 Deep Research。真正持久的工程修改才进入 Execution Control。Workflow Learning 不应该塞进普通用户任务的 context。
---
## 三种 gate 不要混在一起
Reasoning Workflow 明确区分三种不同性质的 gate:
1. **Source gate** —— 这个来源、文件、dataset、观察或私有输入,适不适合回答当前问题?
2. **Evidence gate** —— 我实际读到的材料,真的支持当前 claim、范围、机制或决策依赖吗?
3. **Action gate** —— 这个外部动作有授权吗?在范围内吗?可逆性和控制条件够吗?
这不是强制三步流程,它们发生在不同阶段。
“来源可信”不等于“它支持当前结论”;“证据很强”也绝不等于“Agent 获得了行动权限”。
---
## Delegation:按瓶颈招人,而不是按 Agent 数量招人
Reasoning Workflow 不认为“Agent 越多越强”。只有 branch 足够可分离,而且收益明显大于协调成本时,并行才有意义。
比较适合 delegation 的真实瓶颈包括:
- 需要独立研究或完全不同的 evidence ecosystem;
- 需要另一种语言、司法辖区或专业方法;
- 需要 reproduction / adversarial verification;
- 可以明确隔离的执行分支;
- 某一类 repeated rework 需要专门 owner。
handoff 之前应给 worker 一个非常紧凑的 contract:
```text
job
allowed inputs / sources
judgment boundary
acceptance criteria
output contract
forbidden actions
uncertainty to preserve
```
worker 返回时,交付的是“可继续工作的状态包”,而不是几千 token 的聊天记录:
```text
task | status | material output | evidence/source locators
| scope 内已经做出的 decision | unresolved uncertainty
| failed routes | state/items affected | next owner / next safe action
```
如果多个 Agent 共享 workspace,真正持久的信息应该放在 evidence/state/artifact 中。聊天 summary 只是视图,不应该成为 canonical reality。
---
## Progressive Context:文件多,不代表模型读得多
需要分清三件事:
1. GitHub 仓库里有多少文件;
2. 实际安装的 Skill 有多少文件;
3. 当前 turn 真正进入模型 context 的内容有多少。
Reasoning Workflow 设计的加载方式是:
```text
metadata
→ SKILL.md
→ Task Profile
→ 当前 Family
→ 当前 unresolved gap
→ 通常只加载 1–3 个相关 reference
→ gap 改变后释放 / 更换 context
```
`Related` 只是导航,不代表自动加载。
Portable 里保留几十个小文件,是为了让职责清楚地拆开,而不是让 Agent 一次性全部读进去。schema 和 Python helper 大多数时候应该由工具执行,而不是把源码塞进 prompt。
---
## 为什么还保留 Python 和 schema?
公开 Skill 不携带开发用 tests / evals / build harness。保留的 Python 和 JSON 属于 Workflow 本身的可选机器能力:
- Task Profile / Family 的确定性路由;
- progressive reference selection;
- semantic state 和 typed dependency 校验;
- execution plan / schedule / checkpoint / worker 校验;
- delivery / event / raw-lineage integrity;
- dual verification record 校验;
- Workflow Learning 的 promotion gate 和选择性 retrieval。
如果 host 本身不能执行本地 Python,Workflow 仍然可以只靠语义规则工作;但是 Agent 不能假装“机器 validator 已经执行”。
Python 唯一额外依赖写在 [`scripts/requirements.txt`](../scripts/requirements.txt) 中:用于 JSON Schema 校验的 `jsonschema`。
---
## 模型适配
当前设计主要面向 GPT-5.6 及之后这类 reasoning agent,同时避免给每个模型写一套分支。
Workflow 关注的是运行时真正拥有什么能力:
- 能否保留跨 turn 的有效 reasoning state;
- 能否做 context compaction;
- 是否有真正独立的 worker / subagent;
- 是否能动态调整 reasoning effort;
- 是否能把机械筛选、去重、聚合移到 deterministic code;
- 工具调用和状态持久化是否可靠。
强模型得到更多 outcome / invariant 约束,更少无意义 procedural scaffolding;能力弱或 adherence 不稳定的 runtime 才增加局部结构。
**Workflow 的脚手架本身也是可伸缩资源。**
Ultra 也不意味着每次模型调用都用最高 compute。贵的 reasoning 应该花在发现新结构、解决决定性不确定和复杂综合上;机械工作尽量交给便宜模型或确定性代码。
---
## Controlled Learning
正常用户任务不会自动修改 canonical Workflow。
可复用规则应该是**通过证据挣出来的,而不是一次运行看起来很聪明就写进去的**。
维护平面区分三种经验:
- clean success → strategy lesson;
- failure → recovery → success → recovery lesson;
- 成功但过程浪费 → optimization lesson。
从过去检索出的经验也不是自动适用:先检查 applicability、anti-condition 和 negative transfer,再决定:
```text
use | adapt | ignore
```
self-reflection 本身只能产生 candidate,不能单独完成 promotion。
---
## 仓库结构
公开仓库只保留:**工作流本身 + 直接支持其运行的必要 runtime 文件 + 用户发现、安装和理解项目所需的文档/元数据。**
```text
.
├── README.md
├── README.zh-CN.md
├── LICENSE
├── CONTRIBUTING.md
├── PRIVACY.md
├── TERMS.md
├── .codex-plugin/
│ └── plugin.json
│
├── skills/
│ └── reasoning-workflow/ # Portable + canonical
│ ├── SKILL.md # 总入口
│ ├── routing-index.json # progressive routing metadata
│ ├── families/ # 六个 Family 索引
│ ├── references/ # 按需加载的推理模块
│ ├── schemas/ # runtime semantic contracts
│ ├── scripts/ # 只保留 runtime routing / validators
│ ├── agents/ # OpenAI host metadata
│ └── assets/ # icon
│
└── modular/
├── README.md
└── skills/
├── reasoning-core/
├── deep-research/
├── decision-analysis/
├── execution-control/
├── audit-verification/
└── workflow-learning/
```
### 公开仓库的边界
仓库不包含那些对理解、安装或运行 Reasoning Workflow 没有直接作用的开发材料:私有 test/eval harness、benchmark fixtures、生成的 distribution 压缩包、构建报告、distribution tooling,以及没有 runtime consumer 的 contracts。
这样 GitHub 公开面保持为“工作流本身”,而不是作者的完整工程工作区。
### 剩下这些文件为什么存在?
可以分成四类:
| 类别 | 为什么保留 |
| --- | --- |
| `SKILL.md` / Families / references | 真正的 reasoning / workflow knowledge |
| schemas + runtime scripts | 可选的确定性 routing / state / execution / verification enforcement |
| Modular Skills | 让高级用户可以独立浏览和组合六个 Family |
| README / LICENSE / plugin metadata | 项目发现、安装、许可证和 host integration |
Portable 和 Modular 会有少量语义文字重复,因为它们都应该能直接在 GitHub 上阅读和安装;deterministic runtime 则只在 Portable 中保留一份。
---
## 核心设计原则
- **Search 在 reasoning 之后。**
- **Universal entry 不等于 universal full execution。**
- **严谨不等于仪式感。**
- **framing 不稳定时,先竞争 problem representation,再 decomposition。**
- **Reasoning depth 不等于把同一条逻辑重复更久。**
- **来源数量不等于证据独立。**
- **reviewer 数量不等于 verification independence。**
- **Declared state 是输入,effective state 才是计算出来的当前真相。**
- **Plan semantics 不因串行/并行调度而改变。**
- **按 bottleneck delegation,而不是按 Agent quota。**
- **handoff 传 evidence/state,不传 transcript volume。**
- **强证据绝不自动创造行动权限。**
- **verification credit 只属于真正被验证的那个 state/content。**
- **Learning 是受控经验复用,不是自动 self-editing。**
- **漂亮的最终答案不是遵守 Workflow 的证明。**
- **Ultra:大胆扩展,聪明剪枝,选择性强验证。**
---
## 兼容性和公开参考
Reasoning Workflow 遵循开放的 Agent Skills 基本结构:`SKILL.md` 作为入口,按需附带 references、scripts 和 assets。
可以参考:
- [Agent Skills specification](https://agentskills.io/)
- [OpenAI Plugins](https://github.com/openai/plugins)
- [Anthropic Skills](https://github.com/anthropics/skills)
- [Claude Code Skills 文档](https://code.claude.com/docs/zh-CN/skills)
这里最重要的不是照抄某个仓库的目录,而是遵守 progressive disclosure:入口保持高信号,条件性知识放进对应 reference,只有真正需要时才加载。
---
## 验证状态
确定性检查覆盖路由、语义状态传播、授权、恢复、交付闭合、审查记录和受控学习;开发测试在可安装的公开目录之外运行
真实模型的 Task Profile 分类、Skill 触发准确率与召回率、跨模型路由、同条件 Deep Research 质量、token 与延迟节省、双重审查错误降低、长期学习效果及外部 Deep Research benchmark 仍未验证
代码检查通过不代表真实 Agent 行为效果已经得到证明
---
## 局限
Reasoning Workflow 可以提高过程质量,但它不会提供魔法保证:
- 模型依然可能理解错指令;
- 来源依然可能错;
- reviewer 可能和 solver 共享同一个盲区;
- schema 能证明结构一致,却不能证明现实世界事实一定正确;
- 不同 host 的 tool/runtime 能力并不一样;
- 模型和产品行为也会不断变化。
对于高后果任务,最终标准仍然应该是:与风险相匹配的证据、真正有价值的独立验证、明确权限,以及必要的人类/领域专家 review。
---
## Contributing
Canonical implementation 是 [`skills/reasoning-workflow/`](../)。Modular 是同一套语义的轻量投影。
任何修改都优先回答一个问题:**到底解决了什么真实 failure mode?**
不要为了显得“更完整”轻易新增 Family、schema、固定 workflow stage、mandatory checklist、Agent 数、搜索配额或 review 层。
详见 CONTRIBUTING.md (historical repository path: `./CONTRIBUTING.md`; not shipped here)。
---
## License
使用 [MIT License](../LICENSE.txt) 开源。
Reasoning Workflow 对外保持无版本号品牌。仓库持续在原项目上演进;只有在兼容性或机器完整性确实需要时,内部 plugin/schema 字段才保留机器 revision。
Related skills
| Skill | Stars | Updated | Works with | Status | Install |
|---|---|---|---|---|---|
| brainstormingobra/superpowersYou MUST use this before any creative work - creating features, building components, adding functionality, modifying behavior, or planning anything new, in software or out of it (a talk, a business, a renovation). | Stars: 323k | Updated | Claude CodeCodex | Verified | Install |
| brand-guidelinesanthropics/skillsApplies Anthropic's official brand colors and typography to any sort of artifact that may benefit from having Anthropic's look-and-feel. Use it when brand colors or style guidelines, visual formatting, or company design standards apply. | Stars: 198k | Updated | Claude CodeCodex | Verified | Install |
| frontend-designanthropics/skillsGuidance for distinctive, intentional visual design when building new UI or reshaping an existing one. Helps with aesthetic direction, typography, and making choices that don't read as templated defaults. | Stars: 198k | Updated | Claude CodeCodex | Verified | Install |
| mcp-builderanthropics/skillsGuide for creating high-quality MCP (Model Context Protocol) servers that enable LLMs to interact with external services through well-designed tools. Use when building MCP servers to integrate external APIs or services, whether in Python (FastMCP) or Node/TypeScript (MCP SDK). | Stars: 198k | Updated | Claude CodeCodex | Verified | Install |