企业官网建设流程全解析

• AI 技能
• AI 插件
• 人工智能
• 工作流自动化

导读

本指南基于 awesome-claude-skills 仓库中 callerapi-automation 技能 展开，讲解如何在 Claude 等 AI 代理中通过 Rube MCP（Composio 提供的 MCP 网关）完成 Callerapi 服务的自动化操作。你将掌握一套可复用的通用范式：先搜索工具、再检查连接、最后执行调用，并能理解底层工具语义、规避 schema 变更等典型坑点。

技能定位：Composio 应用自动化的预构建工作流

awesome-claude-skills 仓库收录了 1000+ 面向 Claude.ai、Claude Code 以及 Codex、Cursor、Gemini CLI 等编码代理的实用技能。其中 "App Automation via Composio" 板块（见 README.md）提供了针对数十个 SaaS 应用的预构建工作流技能，每个技能都包含工具调用序列、参数指导、已知坑点与速查表，且所有工具 slug 均来自 Composio API 的真实发现结果。

callerapi-automation正是这一板块下的成员：它本身不含 Python 代码或配置文件，而是一份面向 Agent 的指令型技能文档（SKILL.md），引导 Agent 按固定模式与 Rube MCP 交互，从而驱动 Composio 的 Callerapi 工具包完成真实业务操作。其 frontmatter 声明了关键契约：

name: callerapi-automation description: "Automate Callerapi tasks via Rube MCP (Composio). Always search tools first for current schemas." requires: mcp: [rube]

这段声明直接点出了两个核心约束：必须依赖名为rube的 MCP 服务器，以及任何任务前都必须先搜索工具以获取当前 schema——这是整个技能设计的第一性原则。

前置条件：Rube MCP 与活跃连接

在运行任何 Callerapi 工作流之前，需要满足三个前置条件：

1. Rube MCP 已连接：可通过RUBE_SEARCH_TOOLS的响应来验证其可用性。
2. Callerapi 连接处于 ACTIVE 状态：通过RUBE_MANAGE_CONNECTIONS传入工具包名callerapi建立连接。
3. 先调用RUBE_SEARCH_TOOLS：获取当前最新的工具 schema，而不是依赖记忆中的旧参数。

这三个条件对应了下面四个 Rube MCP 核心工具，理解它们各自的职责是掌握本技能的关键：

Setup：三步建立 Callerapi 连接

Rube MCP 的接入成本极低：在客户端配置中将https://rube.app/mcp添加为 MCP 服务器即可，无需申请 API Key——只需填入端点地址就能工作。

完成接入后，按以下四步确认连接就绪：

1. 验证 Rube MCP 可用：确认RUBE_SEARCH_TOOLS有响应。
2. 调用RUBE_MANAGE_CONNECTIONS，指定toolkits: ["callerapi"]。
3. 若连接状态不是 ACTIVE，按照返回的认证链接完成授权设置。
4. 在运行任何工作流前，再次确认连接状态为 ACTIVE。

这里值得强调：RUBE_MANAGE_CONNECTIONS返回的认证链接通常是第三方服务（此处即 Callerapi）的 OAuth/API Key 授权页，Agent 需要引导用户完成授权，而不能假定连接一定成功。

Tool Discovery：先搜索，永远不要硬编码

技能文档反复强调：执行工作流之前必须先发现可用工具。这是因为工具 schema 会随上游服务演进而变化，硬编码工具 slug 或参数是导致失败的首要原因。

首次会话建议使用以下形式发起搜索：

RUBE_SEARCH_TOOLS queries: [{use_case: "Callerapi operations", known_fields: ""}] session: {generate_id: true}

• use_case：用自然语言描述你想用 Callerapi 完成的具体任务，例如 "Callerapi phone number validation" 这类更聚焦的用例；
• known_fields：你已知的字段名，首次调用可留空；
• session.generate_id: true：让 Rube 为该搜索会话生成新的会话 ID，适合工作流起点。

该调用会返回：可用工具 slug、输入 schema、推荐的执行计划，以及已知坑点。后续的 execute 调用必须完全按照这里的 schema 组装参数。

Core Workflow Pattern：发现 → 检查 → 执行

任何 Callerapi 自动化任务都应遵循三段式工作流。下面以一次完整流程为例，展示会话 ID 如何在三步之间流转。

Step 1：发现可用工具

RUBE_SEARCH_TOOLS queries: [{use_case: "your specific Callerapi task"}] session: {id: "existing_session_id"}

注意这里传入的是已存在的会话 ID（existing_session_id），而不是重新生成。技能的设计意图是：同一工作流内复用会话 ID，新工作流才生成新 ID，以此保持调用链的可追溯性。

Step 2：检查连接

RUBE_MANAGE_CONNECTIONS toolkits: ["callerapi"] session_id: "your_session_id"

在执行任何工具前先确认callerapi工具包的连接状态为 ACTIVE。若返回非 ACTIVE，应停下来引导用户完成授权，而不是继续执行。

Step 3：执行工具

RUBE_MULTI_EXECUTE_TOOL tools: [{ tool_slug: "TOOL_SLUG_FROM_SEARCH", arguments: {/* schema-compliant args from search results */} }] memory: {} session_id: "your_session_id"

• tool_slug必须取自 Step 1 的搜索结果（文档用TOOL_SLUG_FROM_SEARCH占位，刻意不预设具体值，因为真实 slug 需以搜索返回为准）；
• arguments的字段名与类型必须与搜索返回的 schema 完全一致；
• memory是必填参数，即使没有状态也要显式传空对象{}；
• session_id沿用工作流会话 ID。

由于RUBE_MULTI_EXECUTE_TOOL支持在tools数组中传入多个工具，一次调用即可完成"查询数据 → 写入结果"这类多步组合操作，减少往返延迟。

Known Pitfalls：六个必须避开的坑

技能文档归纳了六条实战经验，值得逐条展开：

1. 永远先搜索：工具 schema 会变化。不要在没有调用RUBE_SEARCH_TOOLS的情况下硬编码任何工具 slug 或参数。
2. 执行前检查连接：调用RUBE_MANAGE_CONNECTIONS，确认状态为 ACTIVE 后再动手。连接失效时执行必然失败，且错误信息不易排查。
3. 严格 schema 合规：使用搜索结果的精确字段名与类型，不要凭直觉改写参数结构。
4. memory 参数不可省略：RUBE_MULTI_EXECUTE_TOOL的每次调用都要包含memory，即使为空也必须传{}。
5. 会话复用策略：同一工作流内复用会话 ID，保持上下文连贯；开启新工作流时再生成新 ID，避免串扰。
6. 关注分页：检查响应中是否有分页令牌（pagination token），若存在则持续拉取直到数据完整，防止结果被截断。

Quick Reference：速查表

结语：把范式迁移到其他工具包

本技能的价值不仅在于 Callerapi 本身，更在于它示范了 Composio 应用自动化技能的统一骨架。仓库中 composio-automation、composio-search-automation 等数十个同构技能（见 README.md 中的完整列表）都遵循"搜索 → 检查连接 → 执行"的同一模式，仅替换toolkits名称与 use case 描述。掌握这套范式后，你可以在不修改任何代码的前提下，让 Agent 自动适配新的 SaaS 集成——唯一的"魔法"就是永远先问 Rube：这次该用什么工具。

• AI 技能
• AI 插件
• 人工智能
• 工作流自动化