（11115期）Lobster – 带审批门的 AI 工作流引擎

带审批门的 AI 工作流引擎 Lobster 是带审批门的确定性工作流运行时，通过预定义管道替代反复规划，显著节省 token 消耗，适合需人工确认的多步骤自动化场景。 使用说明 核心定位 Lobster 是一款面向 AI Agent 的工作流运行时，核心解决「AI 重复规划导致 token 浪费」与「关键操作缺乏人工把控」两大痛点。它采用声明式管道语法，将多步骤任务编码为可复用的确定性流程，而非让 LLM 每步重新推理。 核心用法 1. 管道式命令组合$LOBSTER 'exec --json --shell "gh pr list ..." | where "state=MERGED" | table'支持 15+ 原子命令（filter/project/sort/group/dedupe/map/template 等），数据以 JSON 流传递。 2. 审批门机制管道中插入 approve --prompt "..." 即触发暂停，返回含 resumeToken 的 JSON 信封，需显式 --approve yes|no 续行，防止误操作。 3. 状态化运行diff.last --key "..." 与 state.get/set 支持跨执行周期的记忆能力，适合监控类场景（如 PR 变更检测）。 4. 工作流文件.lobster 文件以 YAML/JSON 声明多步骤流程，支持条件与审批配置，可版本化管理。 显著优点 Token 效率：确定性管道消除 LLM 的重复规划开销 安全可控：审批门为副作用操作提供人工把关点 状态持久：内置键值存储，原生支持监控/轮询类工作流 集成友好：JSON 信封输出便于嵌入现有系统；支持调用 Clawdbot 工具链 潜在局限 学习成本：管道语法需适应，复杂逻辑可能不如脚本直观 调试受限：状态持久化带来排查跨周期问题的复杂度 生态早期：内置 workflow 数量有限，多数场景需自行编排 Node 依赖：需 Node.js 运行时环境 适合人群 高频执行「监控→审批→执行」类自动化的开发者/运维 需要降低多步骤 AI 任务 token 消耗的 Agent 构建者 对关键操作有人工确认合规要求的团队 常规风险 状态目录安全：~/.lobster/state/ 存储敏感数据，需确保权限与备份 Resume Token 泄露：令牌可恢复执行流程，传输与存储需加密 Shell 注入：exec --shell 直接执行字符串，输入未严格校验时存在命令注入风险 审批疲劳：过度配置审批门可能导致用户习惯性点击通过，削弱安全价值 原始说明 Lobster workflow runtime for deterministic pipelines with approval gates. Use when: (1) Running multi-step automations that need human approval before side effects, (2) Monitoring PRs/issues for changes, (3) Processing data through typed JSON pipelines, (4) Email triage or batch operations, (5) Any workflow that should halt and ask before acting. Lobster saves tokens by running deterministic pipelines instead of re-planning each step.