lever-sandbox-automation
作者 ComposioHQlever-sandbox-automation 可帮助 agent 通过 Composio Rube MCP 运行 Lever Sandbox 工作流：在执行操作前先验证连接，并发现当前可用的工具 schema。
该 skill 得分为 68/100，表示可以收录，但更适合作为轻量级 MCP 工作流指南展示，而不是完整打包的自动化方案。目录用户可以获得足够信息，判断何时安装，以及 agent 应如何开始；但应预期需要在运行时进行工具发现，且内置示例有限。
- 有效的 frontmatter 和简洁描述清楚说明了触发场景：通过 Rube MCP/Composio 自动化 Lever Sandbox 任务。
- 前置条件和设置步骤写得明确，包括添加 https://rube.app/mcp、验证 RUBE_SEARCH_TOOLS、管理 lever_sandbox 连接，以及确认 ACTIVE 状态。
- 该 skill 反复要求 agent 先调用 RUBE_SEARCH_TOOLS，可减少对 schema 的猜测，也符合动态 MCP 工具工作流。
- 依赖实时 Rube MCP 发现，而不是内置脚本、示例或参考文件；因此执行细节取决于运行时返回的当前工具 schema。
- 适用范围仅限 Lever Sandbox 连接，并且看起来与特定环境相关；如果需要生产环境的 Lever 自动化，可能需要其他 skill 或额外验证。
lever-sandbox-automation skill 概览
lever-sandbox-automation 能做什么
lever-sandbox-automation 是一个 Claude skill，用于通过 Composio 的 Rube MCP server 执行 Lever Sandbox 相关操作。它不会让 agent 硬编码 Lever API 调用，也不会凭空猜测工具参数；相反，这个 skill 会指导 agent 先发现当前可用的 lever_sandbox tools，验证连接状态，然后使用最新的 Rube tool schemas 执行你请求的工作流。
最适合工作流自动化团队
lever-sandbox-automation skill 适合招聘团队、RevOps/PeopleOps 自动化构建者、QA 测试人员，以及需要在 agentic workflow 中创建、查看、更新或测试 Lever Sandbox 数据的 AI workflow 开发者。它特别适合这样的场景：你的真正目标不是“编写 Lever API 代码”，而是“让 AI agent 通过已连接的工具，安全、理解 schema 地完成一项 sandbox 任务”。
核心差异：先搜索工具，再执行操作
最重要的行为是强制进行工具发现。上游 skill 多次强调，在执行前必须调用 RUBE_SEARCH_TOOLS，因为 Composio 的 tool slugs、schemas、必填字段和常见坑点都可能变化。相比“用 Lever 创建一个候选人”这类泛泛 prompt，这种方式更可靠，因为后者可能会编造参数，或跳过连接检查。
安装前需要确认的采用条件
这不是一个独立的 Lever 自动化包。它需要支持 MCP 的客户端，需要在 https://rube.app/mcp 配置 Rube MCP，并且需要通过 RUBE_MANAGE_CONNECTIONS 管理一个处于可用状态的 lever_sandbox 连接。如果你的环境无法使用 MCP tools，或者你需要操作的是生产环境 Lever 而不是 Lever Sandbox，那么在未做适配前，这个 skill 并不是合适的安装目标。
如何使用 lever-sandbox-automation skill
安装并验证 MCP 上下文
如果要从 skill directory source 安装，请使用：
npx skills add ComposioHQ/awesome-claude-skills --skill lever-sandbox-automation
然后在你的客户端中配置 Rube MCP，server endpoint 为：
https://rube.app/mcp
在请求任何 Lever 任务之前，先确认 agent 能访问 RUBE_SEARCH_TOOLS。接着使用 RUBE_MANAGE_CONNECTIONS，toolkit 设为 lever_sandbox。如果连接状态不是 ACTIVE，请完成返回的授权流程，并重新检查状态。只有在连接变为 active 后，才继续执行工作流。
首次运行前阅读 SKILL.md
这个 repository 有意保持精简：关键文件是 composio-skills/lever-sandbox-automation/SKILL.md。请阅读它来了解预期顺序：前置条件、设置、工具发现，以及核心工作流模式。在预览到的目录树中，没有额外的支持脚本、规则或参考文件夹，因此实际运行行为主要集中在 skill 文件，以及 Rube 实时返回的 schemas 中。
把粗略目标改写成完整 prompt
一个较弱的 lever-sandbox-automation 使用 prompt 是：
Create a test candidate in Lever.
更好的 prompt 会给 agent 足够上下文，让它搜索正确的工具，并避免不安全的假设：
Use the
lever-sandbox-automationskill. First callRUBE_SEARCH_TOOLSfor the specific task “create a Lever Sandbox candidate with application data.” Verify thelever_sandboxconnection is active. Use only the current schema returned by Rube. If required fields are missing, ask me before executing. Create a sandbox candidate named Jamie Rivera with email[email protected], tagautomation-test, and note that this is a QA record for workflow validation.
这样效果更好，因为它明确了 skill 名称、限定了 sandbox 范围、要求进行 schema discovery、提供了示例数据，并告诉 agent 在缺少必填字段时该如何处理。
建议的执行工作流
一个实用的 lever-sandbox-automation 指南流程如下：
- 要求 agent 针对确切的 Lever Sandbox 任务搜索 Rube tools。
- 查看返回的 tool names、必填字段和执行计划。
- 使用
RUBE_MANAGE_CONNECTIONS确认连接状态。 - 只有在必需输入明确后，才让 agent 运行选定的 tool。
- 要求返回简洁的结果摘要，包括 IDs、被修改的记录、跳过的步骤，以及任何后续操作。
对于多步骤工作流自动化，请保持每次请求的范围清晰：发现工具、准备 payload、执行、验证。这样可以减少虚构字段名的问题，也更容易诊断失败原因。
lever-sandbox-automation skill 常见问题
lever-sandbox-automation 只能用于 sandbox 数据吗？
是的。根据 skill 名称、描述和所需 toolkit，它面向的是 Composio 的 lever_sandbox toolkit。你应将它视为一个安全环境，用于测试工作流、验证 schemas，并在考虑任何生产环境 Lever 集成之前构建自动化模式。
它和普通 Claude prompt 有什么不同？
普通 prompt 可以描述你想要什么，但不会强制执行关键的操作顺序：连接 Rube MCP、验证 lever_sandbox、调用 RUBE_SEARCH_TOOLS、使用返回的 schema，然后再执行。lever-sandbox-automation skill 给 agent 提供了更窄、更明确的流程，因此当工具发生变化时，可以减少猜测。
这个 skill 适合初学者吗？
如果你已经在使用支持 MCP 的 AI 客户端，并且能够完成 Rube 连接流程，那么它对初学者是友好的。如果你期待的是一键式 Web app，或一套完整的 Lever 教程，那么它并不适合。用户仍然需要理解：工具发现和连接状态本身就是工作流的一部分。
什么时候不该安装它？
如果你需要离线自动化、只想直接生成 REST API 代码、要执行生产环境 Lever 操作，或需要一个带脚本和测试的完整文档化 library，就不要安装这个 skill。如果你的组织阻止外部 MCP servers，或无法通过 Composio 授权 Lever Sandbox 连接，也应避免使用它。
如何改进 lever-sandbox-automation skill
用精确任务范围改进 lever-sandbox-automation prompts
最大的质量提升点是具体性。不要使用“管理候选人”这类宽泛请求，而应改成任务级指令，例如“按 email 搜索候选人”、“创建一个 sandbox posting”，或“更新一个测试 opportunity stage”。同时包含已知字段、期望的输出格式，以及 agent 在写入前是否需要先询问。这有助于 RUBE_SEARCH_TOOLS 返回更相关的 schema 和执行计划。
提供安全的测试数据和验证规则
为了让用于 Workflow Automation 的 lever-sandbox-automation 更可靠，请提供明显不属于生产环境的数据：测试 email、automation-test 这样的标签，以及解释该记录存在原因的 note。要求 agent 在执行后验证结果，并返回可长期引用的标识符，而不只是说“完成”。例如：“After creation, retrieve the record if a read tool is available and report the candidate ID and visible fields.”
留意常见失败模式
最常见的失败包括：跳过工具发现、Rube 连接未激活、沿用过期的假设 schema、缺少必填字段，以及写操作意图不明确。如果 agent 试图在未先调用 RUBE_SEARCH_TOOLS 的情况下执行，请立刻停止它，并重新说明顺序。如果 Rube 返回多个可能的 tools，请要求 agent 先比较它们，再做选择。
第一次输出后继续迭代
第一次运行后，可以通过这些问题改进工作流：哪些字段是必填的？哪些是可选的？使用了哪个 tool slug？Rube 是否返回了任何 warning？将这些细节保存到你的项目笔记或 prompt template 中，但未来运行时仍然要要求重新发现工具，因为 live schemas 可能会变化。这样可以让 lever-sandbox-automation 的安装价值不止停留在一次 demo。