WorkBuddy 专家团的下一步：用 MetaSkill 把「提示词约定」升级为「运行时硬约束」 - 张善友
内容提要
文章对比了WorkBuddy专家团与GoodCrew MetaSkill的多Agent编排方式。专家团依赖提示词约定，执行靠模型自觉，成本高且可靠性差；MetaSkill用YAML声明式DAG，运行时强制执行，支持校验、降级、并行和审计，成本更低。核心观点：复杂工作流需显式结构，从提示词约定升级为运行时约束，才能实现稳定、高效、可审计的自动化。
延伸解读
从“约定”到“约束”的工程本质
文章指出，WorkBuddy专家团的编排逻辑写在提示词中，依赖模型自觉执行，而MetaSkill将编排下沉为YAML声明的DAG，由运行时强制执行。这一转变的实质是将可靠性从“祈求”变为“结构保证”。对于开发者而言，理解这一区别有助于在设计AI工作流时，优先考虑将关键路径上的约束显式化，而非依赖模型的临场发挥。
成本优化的关键：剥离非推理步骤
MetaSkill的六种步骤类型构成成本光谱，将分类、抓取、格式化等从LLM步骤中剥离，可显著降低Token消耗。文章提到专家团多Agent协作积分消耗是单专家的3-5倍，而通过将非推理步骤转为工具调用或确定性步骤，可以在保持流程完整性的同时，将成本降低一个数量级。这提示读者在编排复杂流程时，应识别并分离真正需要LLM推理的环节。
企业级治理的落地路径
文章强调，权限、审计、复核、责任边界等企业级关注点，在专家团中依赖管理约定，而在MetaSkill中成为运行时能力，如DAG节点形状。例如，“法务数字员工只做初筛”在MetaSkill中体现为特定节点类型。这种将治理规则嵌入流程结构的方式，使得合规性可校验、可审计，而非依赖人为遵守。
Q&A
WorkBuddy 专家团和 GoodCrew MetaSkill 在多 Agent 编排上有什么本质区别？
WorkBuddy 专家团的编排逻辑写在提示词里，是“约定”，依赖模型自觉执行，可靠性差且成本高；而 GoodCrew MetaSkill 将编排逻辑下沉为 YAML 声明式 DAG，由运行时强制执行，支持校验、降级、并行和审计，可靠性由结构保证。
MetaSkill 如何实现降级策略？
MetaSkill 通过 on_failure 声明替代步骤，当主步骤失败时，运行时自动激活 fallback，并将 fallback 的输出镜像到主步骤的 ID 槽位，下游步骤无感知。同时，通过工程约束（如 fallback 不能再有 fallback）在解析期防止降级链雪崩。
MetaSkill 的六种步骤类型如何帮助降低 Token 成本？
MetaSkill 的六种步骤类型构成成本光谱，将分类、抓取、格式化等非推理任务从 LLM 步骤中剥离，使用更廉价的工具或模型，从而显著降低 Token 消耗，可能降低一个数量级。
MetaSkill 如何将企业级关注点（如权限、审计）转化为运行时能力？
MetaSkill 将权限、审计、复核、责任边界等转化为运行时能力，例如通过 DAG 节点形状（如 user_input 节点）强制人工审批，通过 SessionMetaRunRecord 记录运行历史，支持 replay 和 reconstruct，实现可审计。
为什么说专家团是验证流程的最快方式，而 MetaSkill 是正确归宿？
专家团通过提示词约定可以快速搭建和验证流程，但执行依赖模型自觉，不可靠且成本高；MetaSkill 将流程固化为 YAML DAG，由运行时强制执行，稳定、高效、可审计。因此，专家团适合快速验证，MetaSkill 适合验证后的正式自动化。
MetaSkill 的 YAML 声明式 DAG 相比提示词约定有哪些优势？
优势包括：解析时校验（不通过则零 API 调用）、运行时强制执行、支持并行（fan_out）、降级（on_failure）、审计（SessionMetaRunRecord）、以及将企业级约束（如人工审批）固化为节点形状，确保可靠性和可审计性。
