affinda-automation
作者 ComposioHQaffinda-automation 可帮助 agent 通过 Composio Rube MCP 运行 Affinda 工作流：先搜索实时 tool schemas，检查 Affinda connection，再执行文档自动化任务，从而减少猜测。
该 skill 得分为 66/100，适合收录但能力有限。目录用户可以理解它是一个基于 Rube MCP 的 Affinda automation 辅助工具，并了解 agent 应如何开始工具发现和 connection 设置；但不应期待它提供丰富的、面向具体任务的 Affinda 工作流或打包好的实现资产。
- 有效的 frontmatter 清晰声明了对 Rube 的 MCP 依赖，并说明通过 Composio 进行 Affinda automation。
- 前置条件和设置步骤说明了如何验证 Rube MCP、管理 Affinda connection，并要求在运行工作流前达到 ACTIVE 状态。
- 该 skill 提供了可重复的“先发现再执行”模式，使用 RUBE_SEARCH_TOOLS 和 RUBE_MANAGE_CONNECTIONS，有助于减少 agent 对 schema 的猜测。
- 除 SKILL.md 说明外，未包含支持文件、脚本、参考资料或具体的 Affinda 任务示例。
- 实际执行依赖实时的 Rube MCP 工具发现和处于可用状态的 Affinda connection，因此该 skill 的独立操作细节较为有限。
affinda-automation skill 概览
affinda-automation 的作用
affinda-automation skill 可帮助 AI agent 通过 Composio 的 Rube MCP server 自动执行 Affinda 相关任务。它适用于这类工作流：agent 需要先发现当前 Affinda 工具 schema，确认 Affinda 连接处于可用状态，然后再通过可用的 Rube tools 执行文档处理动作，而不是凭记忆猜测 API 参数。
最适合 Affinda 工作流自动化的场景
如果你已经在使用 Affinda 做简历解析、文档抽取、分类，或相关的 document AI 工作流，并希望 Claude 或其他支持 MCP 的 agent 通过 Composio 来操作这些任务，那么这个 skill 很适合你。它更适合正在搭建 agentic workflow automation 的用户，而不是想找一个独立 Affinda SDK wrapper 的用户。
核心差异：先搜索工具再执行
affinda-automation skill 的主要价值在于它要求先调用 RUBE_SEARCH_TOOLS，再执行具体操作。这一点很重要，因为 Composio tool schema 可能会变化，而 Affinda 操作通常又依赖精确的字段名、document ID、collection ID 或文件输入。这个 skill 的工作模式可以减少因过时假设导致的调用失败。
安装前需要确认什么
这个 skill 的依赖面很窄：仓库路径下只有 SKILL.md，没有辅助脚本或内置示例。如果你的客户端已经支持 MCP，并且你能接受以交互方式驱动 Rube tools，这种设计是可以的。但如果你需要开箱即用的 CLI、示例应用，或预置的 Affinda 工作流模板，这个 skill 会显得比较精简。
如何使用 affinda-automation skill
affinda-automation 安装与 MCP 设置
使用你的 skill manager 从 Composio skill collection 安装该 skill，例如：
npx skills add ComposioHQ/awesome-claude-skills --skill affinda-automation
然后在你的 AI client 中添加 MCP server endpoint，配置 Rube MCP：
https://rube.app/mcp
该 skill 假设 RUBE_SEARCH_TOOLS 和 RUBE_MANAGE_CONNECTIONS 可用。skill 文件夹中不包含本地脚本，因此大多数设置工作发生在你的 MCP client 以及 Composio/Rube 连接流程中，而不是在本地仓库 checkout 里完成。
运行工作流前需要准备的输入
在让 agent 自动化 Affinda 之前，先提供它无法可靠推断的任务上下文：
- 明确的 Affinda 目标：解析简历、上传文档、获取抽取结果、管理 collection、检查 document status，或类似操作。
- 你已经拥有的相关标识符：workspace、organization、collection、document、candidate 或 job IDs。
- 如果涉及文档，提供文件位置或上传来源。
- 输出格式：raw JSON、标准化表格、摘要、校验报告，或下一步动作。
- 任何约束：不要创建新记录、只读取数据、重试失败的抽取、隐藏个人数据，或删除前先确认。
一个较弱的提示是：“Use Affinda to process this resume.”
更好的提示是：“Use the affinda-automation skill. First search Rube tools for the current Affinda schema for uploading and parsing a resume. Check the Affinda connection status. If active, upload /files/candidate-jane.pdf to the resume parsing workflow, wait for or retrieve the parsed result if supported, and return normalized JSON with name, email, phone, skills, education, and work history. Ask before creating any new collection.”
实用的 affinda-automation 使用流程
一个可靠的工作流通常是这样的：
- 让 agent 调用该 skill，并针对具体 Affinda 任务搜索工具。
- 让它为 toolkit
affinda调用RUBE_MANAGE_CONNECTIONS。 - 如果连接未激活，完成返回的 authentication link。
- 重新检查连接状态。
- 使用
RUBE_SEARCH_TOOLS返回的 schema，执行选定的 Affinda tool。 - 检查响应，并让 agent 继续执行检索、转换、校验或导出。
即使你熟悉 Affinda API，也不要跳过 discovery。这个 skill 的设计重点是 Composio tool slugs 和 MCP schemas，它们可能不同于原始的 Affinda API 文档。
仓库中应优先阅读的文件
从 composio-skills/affinda-automation/SKILL.md 开始。它包含真正的操作契约：前置条件、设置步骤、tool discovery、连接检查、工作流顺序，以及必须先搜索工具的提醒。当前 skill 路径下没有 README.md、rules/、resources/、references/ 或 scripts/ 文件夹，因此仓库审查会很快。若要进一步理解产品行为，可以将发现到的 Rube schemas 与 composio.dev/toolkits/affinda 上的 Affinda toolkit 文档进行对照。
affinda-automation skill 常见问题
affinda-automation 是用于工作流自动化还是 API 编码？
affinda-automation 主要用于通过支持 MCP 的 agent 进行 Workflow Automation。它不会生成完整的 Affinda integration library，也不会管理基础设施，或替代生产后端中的 SDK。它的优势是让 agent 在 Rube/Composio tool session 中发现可用的 Affinda actions，并安全地执行它们。
它比普通 prompt 好在哪里？
普通 prompt 可能只是要求模型“use Affinda”，但模型可能会编造参数，或依赖过时的 API 知识。affinda-automation skill 为 agent 提供了明确的操作模式：先发现工具，检查连接，使用实时 schema，然后再执行。这种结构化流程正是安装它的主要理由。
新手是否需要先了解 Affinda？
你不需要了解每一个 Affinda endpoint，但应该清楚自己的业务工作流，以及正在处理的文档类型。新手应先从只读或低风险任务开始，例如检查可用工具或获取已有文档数据，然后再让 agent 上传、创建、更新或删除记录。
什么时候不应该使用这个 skill？
如果你需要离线处理、非 MCP 集成、确定性的批处理基础设施，或大量本地示例，就不适合使用它。对于“automate HR”这类过于笼统、没有指定应运行哪个 Affinda 操作的目标，也应避免使用。该 skill 最适合这样的场景：用户能说清楚目标动作，并提供所需的 IDs、文件和输出预期。
如何改进 affinda-automation skill 的使用效果
用明确的 Affinda 意图改进 prompt
最常见的失败模式是请求描述不够具体。你可以通过说明操作和期望的最终状态来提升结果，例如：“find the correct tool for listing documents in a collection”、“extract parsed resume fields from document ID X”，或“upload this invoice-like document and return extraction confidence fields”。越具体，越有助于 RUBE_SEARCH_TOOLS 返回更好的执行计划。
提供更强的 schema 与连接上下文
首次运行后继续迭代时，把发现到的 tool slug、必填字段以及任何错误消息贴回去。例如：“The discovered tool requires collection_id and file; I have collection_id=abc123 and the file path is /tmp/resume.pdf. Retry using those fields only.” 这比只让 agent “try again” 更有效，因为它缩小了修复路径。
为高风险操作添加防护规则
如果工作流可能创建、修改或删除 Affinda 资源，请在 prompt 中加入明确的确认规则。实用的防护包括：“read-only unless I approve”、“show the planned tool call before execution”、“do not upload duplicate files”，以及“mask candidate contact details in the final response”。这些指令能提升团队在处理个人数据或招聘数据时的可采用性。
迭代优化 affinda-automation 输出
拿到第一次输出后，同时检查 Affinda 响应和 agent 的转换结果。可以提出有针对性的改进要求，例如按 confidence 过滤、字段标准化、去重、缺失字段检查，或导出格式调整。affinda-automation skill 能帮你进入真实 tool execution；但输出质量仍取决于清晰的校验标准和后续指令。