О Skill Workflow

01

Введение

Вы открываете новый чат, объясняете, чем занимается компания, назначаете модели роль SEO-специалиста и просите подготовить план. Через неделю появляется другой проект — и всё приходится рассказывать заново. Один ответ остался в переписке, второй в файле, а почему приняли именно такое решение, уже трудно восстановить.

Skill Workflow развивается из этой проблемы: как превратить отдельные разговоры с AI в последовательную работу с контекстом компании, ответственностью и проверяемым результатом.

Разберём, что такое Skill Workflow, для чего он нужен, как запустить локальную версию и как выглядит путь от создания компании до отчёта. Пример — malomalsky&co: разработка и интеграция решений для автоматизации бизнес-процессов и взаимодействия с клиентами.

Материал описывает локальную версию 1.0.0 по состоянию на 31 октября 2026 года. Интерфейс показан на учебном примере malomalsky&co; часть иллюстраций содержит заменённые пути. Диалоги ниже — поясняющие примеры, а не запись автоматически работающих сотрудников.

02

Что такое Skill Workflow

Skill Workflow — локальный комплект для подготовки рабочей среды цифровой компании. В нём соединены три части:

• Мастер настройки: помогает задать компанию, проект, исходные материалы и хранилище.
• Программное ядро: сохраняет знания и поручения, генерирует профессиональные профили, фиксирует результаты, проверки и приёмку.
• Операционная модель: описывает роли, передачу задач, планирование и требования к качеству.

Обычный agent skill содержит инструкции и дополнительные материалы для повторяемой работы. В экосистеме OpenAI такой пакет строится вокруг файла SKILL.md. Официальное описание skills.

Название Skill Workflow относится к нашему продукту. Текущая поставка шире одного текстового skill: в ней есть Python-код, CLI и приложение с Qt-интерфейсом.

При этом генерация файла специалиста ещё не запускает модель. Для профессиональной работы нужен активный AI-агент в выбранной среде, которому переданы профиль, задача и актуальный контекст.

03

Для чего нужна цифровая компания с AI-специалистами

Для владельца важен результат: подготовленный материал, обоснованная архитектура, проверенный план или решение клиентской проблемы.

Проблемы начинаются между этими результатами. Исполнитель не знает принятых ограничений, новый чат предлагает уже отвергнутый вариант, а статус «готово» не объясняет, кто проверил работу и согласился ли с ней заказчик.

Skill Workflow помогает организовать этот путь:

Контекст → приём задачи → постановка → разрешение на работу → результат → проверка → приёмка.

Такой подход полезен основателю, небольшой студии или руководителю проекта, который работает с несколькими профессиональными функциями. Например, SEO-специалист исследует потребность, редактор готовит материал, а проверяющий сверяет его с постановкой.

Количество профилей не равно числу одновременно работающих агентов. В комплекте есть 20 профессиональных профилей, но фактический запуск и передача работы зависят от используемой агентской среды.

04

Что уже реализовано

Эта граница важна при первом запуске: мастер создаёт рабочую основу, после чего вы продолжаете работу с агентом.

05

Как установить и запустить Skill Workflow

Для описанного ниже пути нужен исходный комплект проекта на компьютере с Python. Для базового CLI документация указывает Python 3.11 и новее. Qt-мастер проверялся на Windows; готовый самостоятельный EXE в поставку не включён.

Публичный адрес загрузки продукта здесь не указан: используйте полученную копию комплекта. Например, распакуйте комплект в выбранную папку:

C:/Workflow/skill_workflow_v1.0.0

Откройте PowerShell в этой папке. Для первой установки зависимостей и запуска мастера:

./scripts/Start-Workflow.ps1 -Install

Для следующих запусков:

./scripts/Start-Workflow.ps1

Скрипт подготавливает локальное Python-окружение проекта. Он не устанавливает Docker и не меняет системную политику выполнения PowerShell.

Для первого знакомства удобно выбрать SQLite: отдельный сервер базы данных и Docker для этого варианта не нужны. Если выбран PostgreSQL через Docker, потребуется отдельно подготовленное Docker-окружение.

Простая проверка CLI из корня проекта:

python workflow.py --version
python workflow.py doctor
python workflow.py roles

Команда doctor проверяет комплект и каталоги профилей. Она не подтверждает доступ к внешним аккаунтам и не оценивает качество будущих ответов LLM.

Нужно ли устанавливать skill в AI-приложение

Запуск программы и подключение инструкций агенту — два разных действия.

Мастер создаёт workspace и профили. Затем пользователь передаёт подготовленный prompt оркестратора в свой рабочий AI-чат и подключает нужные файлы в соответствии с возможностями этой среды.

Файл .agent.md не становится автоматически зарегистрированным агентом Codex или другого приложения. Аналогично папка .skill сама по себе не доказывает, что хост обнаружил её как skill. Для стандартного skill важны структура пакета и правила обнаружения конкретной среды. Руководство OpenAI по созданию skills.

В текущем комплекте первый понятный путь — запустить мастер и использовать подготовленный им контекст. Универсальную установку одной командой во все AI-приложения продукт пока не предоставляет.

06

Пример: инициализация malomalsky&co

Владельцу не нужно сначала описывать десятки регламентов. Начать можно с компании и одного проекта: например, развития сайта.

В мастере задаём:

• название: malomalsky&co;
• проект: website;
• новую абсолютную папку workspace;
• исходный бриф или материалы;
• SQLite как первое локальное хранилище.

Проект отделяет контекст конкретной работы от общих сведений компании. Для сайта, клиентской разработки и внутренней автоматизации не следует без разбора использовать одну совокупность договорённостей.

Что положить в первый бриф

Для malomalsky&co достаточно зафиксировать отправную точку:

Разрабатываем и интегрируем решения для автоматизации бизнес-процессов и взаимодействия с клиентами. Работаем с малым и средним бизнесом на русском языке. У клиента может не быть CRM или уже использоваться готовая система. Начинаем с разбора задачи и текущих инструментов. Изменения сайта и публикация согласуются отдельно.

Источник необязателен. При выборе локальных файлов мастер формирует сведения о выбранных файлах; это не означает автоматического чтения и анализа всего их содержимого. Наличие URL также нельзя выдавать за выполненный аудит сайта.

07

Зачем здесь SQLite и база знаний

В раннем обсуждении мы пришли к тому, что компании нужна память за пределами одного чата: чем она занимается, какие решения приняты и почему, какие гипотезы ещё не проверены.

SQLite подходит для первого локального сценария без отдельного сервера. База хранит состояние, а инструкции помогают агенту правильно с ним работать. Сама по себе база данных не понимает бизнес и не делает выводы.

Полезно различать содержание знаний:

Конкретные типы и переходы зависят от версии хранилища. Не следует переносить схему раннего SEO-прототипа в новый комплект без проверки контракта.

Развитие базы знаний начинается с минимального контекста и реальной работы: специалист предлагает подход, владелец уточняет ограничения, результат проверяют, а полезные выводы сохраняют с источником. Неподтверждённая идея не должна незаметно превращаться в правило компании.

Текущая версия не собирает автоматически все чаты и документы. Контекст нужно явно выбрать и передать; устаревшие сведения — заменить предусмотренной операцией с сохранением истории.

08

Как добавить специалиста и организовать отдел

В архитектуре цифровой компании отдел — область ответственности, а сотрудник — конкретное назначение на профессиональную роль.

Например, маркетинговое направление может включать SEO-специалиста, редактора и аналитика. Но в текущей версии практический механизм — каталог и генерация файлов профилей, а не кадровая панель.

Пример команды для SEO-профиля:

python workflow.py --workspace C:/Workflow/demo agent build --role seo --project website --output C:/Workflow/seo-profile

Здесь C:/Workflow/demo — пример заранее созданного workspace, а папка вывода должна быть новой. Пути демонстрационные: не запускайте команду с ними, если используете другую рабочую среду.

Полученный профиль нужно загрузить в активную агентскую сессию. Для редактора или другой функции сначала посмотрите доступные ID через roles. Сборка профиля не создаёт чат и не запускает отдельный процесс LLM.

Пример разговора с оркестратором

Следующий диалог иллюстрирует желаемую работу агента с профилями; это не команда встроенному чат-интерфейсу программы.

Владелец:

Для проекта website нужен SEO-специалист. Подключи его к задаче развития сайта. Пока без публикации.

Оркестратор:

Сначала подключу профессиональный профиль и контекст проекта. Его задача — уточнить цель, проверить исходные данные и предложить первый ограниченный объём работы. Публикацию в это поручение не включаю. Если среда не позволяет создать отдельную сессию, подготовлю контекст для передачи специалисту.

Хороший оркестратор должен показать фактическое действие: какой профиль подготовлен, куда передан контекст и кто принимает результат. Сообщения «отдел создан» недостаточно, если за ним нет сохранённого состояния.

09

Как SEO-специалист принимает сырую задачу

В нашем живом обсуждении исходное поручение звучало так:

Хочу больше заявок с malomalsky.com.

Это понятное желание владельца, но пока неполная постановка. Оно не говорит, каких клиентов ищем, какую услугу продвигаем и что можно менять.

Профессиональный приём начинается с этих различий. Иллюстративный ответ специалиста:

Цель понятна. Сначала уточню, какие обращения для вас подходят: на какую услугу, от каких компаний и в каком регионе. Затем предложу первый этап. Без исходных данных не буду обещать рост заявок или назначать число статей.

В ходе диалога мы уточнили реальное предложение: автоматизация сбора обращений, ответов и сопровождения клиента; аудит и интеграции вокруг уже используемых инструментов либо выбор решения с нуля.

После обсуждения выделили два сценария:

1. заявка теряется между каналами;
2. после общения забывают следующее действие.

Это и есть полезная коррекция сырого поручения: от общего желания «больше заявок» к узнаваемой клиентской проблеме и ограниченному результату.

10

Планирование и согласование: что должно быть до исполнения

Специалист не обязан соглашаться с первым способом решения. Если владелец предлагает сразу написать сто статей, нужно проверить, почему именно этот объём поможет цели.

Пример предложения LLM:

Предлагаю начать с одного материала о потере обращений и забытых действиях. Сначала соберу карту проблемы и проверю публичные источники, затем подготовлю локальный черновик. Критерии: узнаваемая ситуация клиента, понятный способ диагностики, соответствие вашим услугам и отсутствие обещаний гарантированного роста.

Далее фиксируются цель, результат, границы и способ проверки. В ядре для этого есть поручение со снимком контекста и hash. Разрешение относится к конкретной постановке.

В нашем обсуждении владелец действительно разрешил аналитический этап по двум сценариям и отдельно ограничил изменения сайта и публикацию. Позднее поручил локальную статью без доступа к аналитике и CRM.

Нельзя подменять эти решения придуманной фразой согласия внутри демонстрации. Точно так же согласие на черновик не означает разрешения опубликовать его.

11

Как запустить сценарий работы

Для этого примера сценарий выглядит так:

Сырое поручение → уточнение → постановка → разрешение → исследование → черновик → проверка → решение владельца.

В текущем продукте это последовательность работы активных агентов и операций сохранения. Кнопки, которая самостоятельно запускает всю такую команду и доводит её до результата, пока нет.

Через CLI постановку можно сохранить командой:

python workflow.py --workspace C:/Workflow/demo order propose --input seo-order.json

Файл seo-order.json оператор готовит по контракту: проект, роль, исполнитель, исходное поручение, цель, результат, границы, критерии, ограничения и бюджет времени. Это не автоматически появляющийся файл.

Команда возвращает ID поручения и hash. Для следующего перехода используются именно полученные значения и фактическое разрешение владельца. Клиентская работа выполняется агентом, а не самой командой сохранения постановки.

После подготовки файла результата его можно зарегистрировать:

python workflow.py --workspace C:/Workflow/demo order deliver --id ORDER_ID --artifact artifacts/article.md --summary "Подготовлен локальный черновик"

ORDER_ID нужно заменить реальным ID. Файл artifacts/article.md должен уже существовать внутри выбранного workspace, а поручение — находиться в допустимом состоянии после разрешения.

Затем выполняются независимая проверка и приёмка. Встроенная проверка разных идентификаторов исполнителя и reviewer полезна, но сама по себе не доказывает независимость реальных людей или моделей. Это нужно организовать в рабочем процессе.

12

Что получилось в нашем живом SEO-цикле

В этом чате мы прошли несколько фактических этапов:

• уточнили аудиторию и предложение malomalsky&co;
• ограничили задачу двумя клиентскими сценариями;
• подготовили локальный черновик;
• проверили тему по четырём запросам в Яндексе и Google;
• нашли пробелы в практической диагностике;
• подготовили отдельную вторую редакцию с сохранением исходника.

В новую редакцию вошли путь формы до рабочей записи, пропущенные звонки, недозвон, пример проверки одного обращения и признаки улучшения обработки.

Это пример развития знаний через работу. Проверка выдачи не доказала полный охват рынка, а редакционное ревью не заменило решение владельца о публикации.

13

Живой пример: как мы развивали структуру услуг malomalsky&co

Срез на 31 октября 2026 года. Этот эпизод произошёл в рабочем чате с оркестратором Codex и участием владельца. Он показывает организацию работы людей и AI-агентов, а не автономный запуск команды внутри Skill Workflow. Предыдущий SEO-пример в статье относится к другой, ранней задаче; не смешиваем их результаты и инструменты.

Сцена 1. От списка технологий к задаче клиента

Владелец строит цифровое агентство и уточняет ассортимент услуг для малого и среднего бизнеса. Перечня «разработка, AI, продвижение» недостаточно: предпринимателю нужно понять, с какой ситуацией обратиться и какой результат он получит.

Работу разделили между оркестратором, SEO-специалистом, UX-дизайнером и исполнителем сайта. Появилась карта услуг: существующий раздел и адрес → потребность клиента → содержание → следующий шаг. Затем подготовили каталог и отдельные посадочные. Контентный документ, код страницы и её фактическая проверка оставались разными результатами, а не одной отметкой «готово».

Так неоформленный запрос превращается в проверяемое поручение. У SEO-специалиста — структура и смысл страниц; у UX — путь посетителя; у исполнителя — ограниченная реализация; у проверяющего — конкретный кандидат и критерии.

Сцена 2. Технически принято — ещё не значит убедительно

Первая версия каталога и 19 страниц услуг прошла технические проверки на Stage: проверяли адреса, отображение и переход к контакту. Но владелец не принял коммерческую подачу: «Не увидел UX-дизайн». В качестве ориентира он показал другую проработанную посадочную.

Это была существенная коррекция, а не просьба перекрасить кнопку. Проверки отвечали на вопрос «работает ли страница», но не доказывали, что предложение убедительно, пример полезен, а посетителю понятен выбор.

Вместо повторного размножения одного решения команда вернулась к одной эталонной странице — SEO-сопровождению. В новом варианте акцент сделали на рабочем примере, выборе сценария и понятном следующем действии. Этот вариант внедрили и проверили на Stage. Такая приёмка подтверждает ограниченный результат на тестовой площадке; её нельзя подменять утверждением о безусловном одобрении всех страниц владельцем.

Сцена 3. SMM: состав работ вместо придуманных цен

Следующий запрос касался SMM-сопровождения. В диалоге выяснилось, что нужен не просто рекламный текст: владелец ждёт прейскурант работ, разовые варианты, тарифные составы и подписку — без выдуманных денежных сумм.

Границу сформулировали прямо: «Стоимость после согласования ТЗ». Квиз должен помочь выбрать работы и подготовить редактируемый бриф для последующего расчёта. Он не выставляет счёт и не проводит оплату.

На Stage появился соответствующий вариант страницы: состав работ, варианты сопровождения и путь к брифу. Прежнее содержимое сохранили отдельным черновиком. Проверяли пользовательские сценарии, возможность поправить ввод и итоговый текст; реальные обращения и письма в рамках проверки не отправляли.

Сцена 4. Владелец уточняет границы направлений

После просмотра примеров владелец попросил показать развитие структуры услуг самого malomalsky&co. Затем последовали предметные уточнения. Стратегию продвижения решили разместить в цифровом маркетинге вместе с посадочными и воронкой продаж. В SEO — семантическое ядро и кластеризацию.

Для CRM разделили создание системы и обмен с существующими сервисами: первое относится к разработке, второе — к автоматизации и интеграциям. В прикладном AI нужно явно показать базу знаний и её связь с поиском по документам, в дизайне и упаковке — пакет документов.

На момент этого редакционного среза страница о структуре сайта и новые уточнения находились в проработке. Переданное задание ещё не доказывает, что все пункты уже применены на Stage, тем более на основном сайте. Основной сайт в этой работе менять запрещено.

Сцена 5. Как отчитаться, не приукрасив результат

Вместо сводки «AI-команда развивает компанию» полезнее показать цепочку решений и её основания:

В этом процессе знания сохраняют контекст и принятые ограничения, профили помогают разграничить роли, сценарий задаёт последовательность работы, а отчёт отделяет сделанное от порученного. В Skill Workflow для части этих связей уже есть локальные операции: контекст знаний, профессиональные профили, постановка, артефакт, review, приёмка и отчёт. Но выбранный контекст нужно передать явно; вся переписка не импортируется в базу автоматически.

Использованные здесь инструменты оркестратора Codex не становятся от этого функциями продукта. Эпизод не подтверждает встроенную автономную команду LLM, кадровую панель, фильтры отчёта по отделам или внешние платежи в Skill Workflow. Рост позиций, обращений и прибыли в этом срезе не измерялся.

Stage-примеры для просмотра: SEO-сопровождение и SMM-сопровождение. Это тестовые страницы с действующей защитой, а не разрешение переносить их на основной сайт.

14

Как сформировать отчёт

Отчёт должен различать четыре вопроса: что планировали, что сделали, чем подтвердили и что ещё требует решения.

Для workspace нового комплекта используется команда:

python workflow.py --workspace C:/Workflow/demo report

Она читает сохранённое состояние. Поэтому результат зависит от того, какие поручения, артефакты и решения действительно зарегистрированы.

Ниже — иллюстративное человекочитаемое резюме нашего SEO-кейса, а не точный JSON-ответ CLI:

Проект: развитие сайта malomalsky&co.
Цель первого этапа: подготовить материал о потере заявок и забытых действиях.
Результат: локальная вторая редакция статьи.
Проверка: ограниченное сравнение поисковой выдачи и независимое редакционное ревью.
Границы: без изменения сайта, доступа к CRM и публикации.
Остаётся: решение владельца по итоговому тексту.
Влияние на заявки: не измерялось.

Фильтры отчёта по периоду, отделу и сотруднику входят в обсуждавшуюся целевую модель. Их нельзя приписывать текущему CLI как готовый набор параметров. Начальный report также не заменяет финансовый отчёт и не подтверждает выручку.

15

Чем Skill Workflow отличается от обычного чата

В обычном разговоре модель может дать полезный ответ. Для повторяемой работы дополнительно нужны актуальный контекст, ограничение действий, сохранённая постановка, файл результата и отдельное решение о приёмке.

Skill Workflow добавляет основу для этих связей. Качество остаётся совместным результатом инструкций, модели, инструментов и организации проверки.

Он не гарантирует, что агент всегда прав. Но правильно устроенный процесс позволяет увидеть, на что опирался ответ, где осталась неопределённость и почему результат ещё нельзя считать принятым.

16

С чего начать свою цифровую компанию

Начните с одной компании, одного проекта и одного проверяемого результата. Например: подготовить локальную статью по двум клиентским проблемам.

Создайте workspace через мастер, подключите профиль специалиста и передайте реальный контекст. Дайте агенту возможность уточнить задачу. Зафиксируйте границы, выполните работу, проверьте результат и только после этого принимайте решение о следующем шаге.

Так структура цифровой компании растёт из практики. Сначала появляется полезный рабочий цикл; затем становится понятно, какие отделы, сценарии и отчёты действительно нужны.

В malomalsky&co мы развиваем Skill Workflow именно таким путём: от отдельного поручения к понятной организации работы с AI. Если у вас уже есть хаос между чатами, задачами и результатами, начните с одного процесса, который хотите привести в порядок.

17

Материалы и дальнейшие шаги

malomalsky&co / инструменты

Вернитесь на главную, чтобы посмотреть состав комплекта, интерфейс, примеры и презентацию.