Lobster

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

核心用法

Lobster 本质上是一个工作流运行时（workflow runtime），专为 AI Agent 设计，提供确定性管道执行 + 人工审批门控的能力。其核心设计哲学是"先规划再执行"——通过预定义的管道结构避免 LLM 每步重新规划带来的 token 浪费和不确定性。

使用场景

文档明确列出五大场景：多步骤自动化需人工审批、PR/Issue 监控、类型化 JSON 数据处理、邮件分拣/批量操作，以及任何"先询问再行动"的工作流。

核心机制

1. 管道语法：类 Unix 管道的声明式语法，支持 exec、where、pick、sort、groupBy、dedupe、map、template、approve、diff.last、state.get/set 等原语
2. 审批门控：approve --prompt "..." 会中断执行，返回 JSON 格式的待审批状态，包含 resumeToken，通过 lobster resume --token ... --approve yes|no 恢复
3. 状态持久化：state.get/set 和 diff.last 支持跨运行状态记忆，适合监控类场景
4. 工作流文件：支持 .lobster 格式的 YAML/JSON 工作流定义，支持变量插值和步骤依赖

集成能力

• GitHub CLI (gh) 原生集成示例丰富
• 支持调用 Clawdbot 工具（需 CLAWD_URL 和 CLAWD_TOKEN）
• 两种运行模式：human 模式（美观输出）vs tool 模式（JSON 封装，便于集成）

显著优点

1. 确定性执行：预编译管道结构，执行路径可预测，避免 LLM 动态规划的不可靠性
2. Token 效率：文档强调"saves tokens by running deterministic pipelines"，对高频自动化场景成本优势明显
3. 人工可控：审批门控设计严谨，resumeToken 机制支持异步审批流程，适合企业级合规要求
4. 状态管理能力：原生支持跨会话状态持久化，diff.last 实现"仅当变化时触发"的监控模式
5. 透明开源：代码托管于 GitHub，纯文档型实现（本次扫描确认无可执行代码），可审计性强

潜在局限

1. 功能边界模糊：当前版本为纯文档型 Skill，实际 Lobster 运行时需外部安装（npm install -g @clawdbot/lobster），Skill 本身仅提供调用规范
2. 生态依赖：重度依赖 GitHub CLI 和 Node.js 环境，Windows 原生支持未明确说明
3. 学习曲线：管道语法虽简洁，但 where 'field=value' 等 DSL 需要记忆，调试体验（如管道中间状态查看）未详细说明
4. 审批状态管理：resumeToken 的持久化和过期策略未在文档中说明，生产环境需自行保证 token 安全

适合人群

• DevOps/SRE 工程师：需要自动化 PR 监控、部署审批流程
• AI Agent 开发者：构建需要"人在回路"（human-in-the-loop）的复杂工作流
• 数据运营人员：定期数据分拣、报告生成等需审批的批处理任务

常规风险

1. Shell 注入风险：exec --shell 原语直接执行命令，若管道输入来自不可信源，需严格校验
2. Token 泄露：resumeToken 包含审批上下文，传输和存储需加密保护
3. 状态目录安全：~/.lobster/state/ 默认存储位置，多用户环境需设置 LOBSTER_STATE_DIR 避免权限问题
4. Clawdbot 集成风险：调用外部服务时需妥善管理 CLAWD_TOKEN，建议使用密钥管理服务而非环境变量