AI 技能AI 插件人工智能工作流自动化【免费下载链接】awesome-claude-skillsA curated list of awesome Claude Skills, resources, and tools for customizing Claude AI workflows项目地址https://gitcode.com/GitHub_Trending/aw/awesome-claude-skills点击查看免费下载本指南基于 awesome-claude-skills 仓库中 composio-skills/openai-automation/SKILL.md 展开讲解如何借助 Composio 的 Rube MCP 集成在一个 Claude Skill 内直接驱动 OpenAI API——涵盖 Responses API 文本/多模态生成、结构化 JSON 输出、Embedding 向量化、DALL-E 与 GPT Image 图像生成以及模型列表查询。读完本文你将掌握这套 Skill 的完整配置参数、四条核心工作流的调用方式以及规避 DALL-E 弃用、推理模型限制等常见陷阱的实战要点。Skill 定位预构建的 OpenAI 工作流技能在 README.md 的 App Automation via Composio 章节中这类技能被定义为面向 78 SaaS 应用的预构建工作流技能每个 Skill 包含工具序列、参数指引、已知陷阱Known Pitfalls与快速参考表Quick Reference且所有工具 slug 均来自 Composio API 的真实发现结果。本 Skill 的 frontmatter见 SKILL.md声明了其能力边界name:OpenAI Automationdescription: 自动执行 OpenAI API 操作——支持多模态与结构化输出的响应生成、Embedding 创建、图像生成以及模型列表查询经 Composio MCP 集成requires.mcp:rube即 Skill 运行的前提是客户端已接入 Rube MCP 服务器它解决的是典型的Agent 需要真实调用外部模型能力场景当你的 Claude 工作流需要生成文本、分析图片、产出结构化 JSON、为 RAG 构建向量索引或批量出图时无需自己维护 OpenAI SDK 代码直接通过 MCP 工具调用即可。环境准备接入 Rube MCP 并连接 OpenAI 账户Setup 步骤非常简洁共三步添加 Composio MCP 服务器在客户端配置中加入 MCP 服务器地址https://rube.app/mcp连接 OpenAI 账户按提示完成 API Key 认证即 OpenAI API key 鉴权开始使用下方各工作流。从仓库中同类 Skill如 composio-skills/ably-automation/SKILL.md的说明可以推断Rube MCP 具备一套通用的工具发现与连接管理机制可用RUBE_SEARCH_TOOLS查询当前可用的工具 schema 与推荐执行方案用RUBE_MANAGE_CONNECTIONS检查/建立到目标 toolkit 的连接并用RUBE_MULTI_EXECUTE_TOOL按发现的 tool_slug 实际执行。因此若首次连接状态不是ACTIVE应跟进返回的认证链接完成设置后再运行工作流。OpenAI 这类需要 API Key 的 toolkit 即通过该连接流程完成鉴权。核心工作流一生成响应文本、多模态与结构化输出OPENAI_CREATE_RESPONSE是覆盖最广的入口用于一次性模型响应支持纯文本、图片分析、OCR 以及结构化 JSON 输出。其完整输入参数如下Tool: OPENAI_CREATE_RESPONSE Inputs: - model: string (required) -- e.g., gpt-5, gpt-4o, o3-mini - input: string | array (required) Simple: Explain quantum computing Multimodal: [ { role: user, content: [ { type: input_text, text: What is in this image? }, { type: input_image, image_url: { url: https://... } } ]} ] - temperature: number (0-2, optional -- not supported with reasoning models) - max_output_tokens: integer (optional) - reasoning: { effort: none | minimal | low | medium | high } - text: object (structured output config) - format: { type: json_schema, name: ..., schema: {...}, strict: true } - tools: array (function, code_interpreter, file_search, web_search) - tool_choice: auto | none | required | { type: function, function: { name: ... } } - store: boolean (false to opt out of model distillation) - stream: boolean要点解析多模态输入input接受input_text与input_image混合的内容数组可用于这张图里有什么等视觉理解与 OCR 场景图片以image_url.url传递推理模型约束temperature0-2 区间与top_p在推理模型如 o3-mini、gpt-5 系列 reasoning 模式下不受支持应改用reasoning.effort调节推理强度枚举none/minimal/low/medium/high结构化输出通过text.format指定json_schema。示例——以strict: true约束 schema 时返回严格符合结构的 JSON{ type: json_schema, name: person, schema: { type: object, properties: { name: { type: string }, age: { type: integer } }, required: [name, age], additionalProperties: false }, strict: true }工具调用tools支持function、code_interpreter、file_search、web_searchtool_choice支持auto/none/required或指定具体函数蒸馏退出store: false用于选择退出模型蒸馏数据收集流式输出stream: boolean控制是否流式返回。核心工作流二创建 EmbeddingOPENAI_CREATE_EMBEDDINGS面向向量检索、聚类、推荐与 RAG 流水线Tool: OPENAI_CREATE_EMBEDDINGS Inputs: - input: string | string[] | int[] | int[][] (required) -- max 8192 tokens, max 2048 items - model: string (required) -- text-embedding-3-small, text-embedding-3-large, text-embedding-ada-002 - dimensions: integer (optional, only for text-embedding-3 and later) - encoding_format: float | base64 (default float) - user: string (optional, end-user ID for abuse monitoring)要点解析支持字符串、字符串数组、整数 ID 数组及其二维形式但每项不超过 8192 tokens、每批不超过 2048 项详见下文陷阱表dimensions仅对text-embedding-3及之后版本生效可用于裁剪向量维度以节省存储encoding_format默认float可选base64以压缩传输体积user字段用于滥用监控场景下的终端用户标识。核心工作流三生成图像OPENAI_CREATE_IMAGE使用 GPT Image 或 DALL-E 模型从文本提示词生成图片Tool: OPENAI_CREATE_IMAGE Inputs: - model: string (required) -- gpt-image-1, gpt-image-1.5, dall-e-3, dall-e-2 - prompt: string (required) -- max 32000 chars (GPT Image), 4000 (DALL-E 3), 1000 (DALL-E 2) - size: 1024x1024 | 1536x1024 | 1024x1536 | auto | 256x256 | 512x512 | 1792x1024 | 1024x1792 - quality: standard | hd | auto | high | medium | low - n: integer (1-10; DALL-E 3 supports n1 only) - background: transparent | opaque | auto (GPT Image models only) - style: vivid | natural (DALL-E 3 only) - user: string (optional)要点解析模型选型GPT Image 系列gpt-image-1、gpt-image-1.5是当前首选DALL-E 2/3 已进入弃用周期见陷阱表提示词长度上限随模型变化GPT Image 32000 字符、DALL-E 3 为 4000、DALL-E 2 为 1000尺寸矩阵横竖版1536x1024、1024x1536、方形1024x1024、auto自适应以及 DALL-E 2 的小尺寸256x256、512x512和 DALL-E 3 的1792x1024/1024x1792专属参数background仅 GPT Image 支持透明/不透明/自动style仅 DALL-E 3 支持vivid/natural数量限制DALL-E 3 只能n1多图请改用 GPT Image 或 DALL-E 2。核心工作流四列出可用模型OPENAI_LIST_MODELS用于探查当前 API Key 可访问的模型集合输入参数为空Tool: OPENAI_LIST_MODELS Inputs: (none)适合在编写工作流前先做模型可用性探测避免因模型名不可用导致调用失败。已知陷阱Known Pitfalls原文档用表格完整记录了六类高频坑点实际调用时应逐条对照PitfallDetailDALL-E deprecationDALL-E 2 和 DALL-E 3 已弃用将于 2026-05-12 停止支持应优先使用 GPT Image 模型DALL-E 3 single image onlyOPENAI_CREATE_IMAGE搭配 DALL-E 3 仅支持n1多图请用 GPT Image 模型或 DALL-E 2Token limits for embeddingsEmbedding 模型每项输入不得超过 8192 tokens、每批不超过 2048 项Reasoning model restrictionstemperature与top_p在推理模型o3-mini 等上不受支持应改用reasoning.effortStructured output strict mode当json_schema格式设置strict: true时schema 的所有属性都必须列入required数组Prompt length varies by model图像提示词长度上限不同GPT Image 32000、DALL-E 3 4000、DALL-E 2 1000快速参考Quick ReferenceTool SlugDescriptionOPENAI_CREATE_RESPONSE生成文本/多模态响应支持结构化输出OPENAI_CREATE_EMBEDDINGS为搜索、聚类与 RAG 创建文本向量OPENAI_CREATE_IMAGE从文本提示词生成图像OPENAI_LIST_MODELS列出当前 API Key 可用的全部模型实战建议结合仓库中同批 Rube MCP Skill 的通用模式参见 composio-skills/ably-automation/SKILL.md建议在实际工作流中遵循如下纪律先发现、后执行工具 schema 会随 API 演进而变化执行前先通过RUBE_SEARCH_TOOLS获取最新 tool slug 与输入 schema不要硬编码执行前确认连接用RUBE_MANAGE_CONNECTIONS确认 OpenAI toolkit 连接状态为ACTIVE再发起调用多工具批量执行需要串联多个 OpenAI 操作时可在RUBE_MULTI_EXECUTE_TOOL中传入多个{ tool_slug, arguments }并始终携带memory参数可为空{}会话复用同一工作流内复用 session ID新工作流生成新 ID严格 schema 合规结构化输出开启strict: true时务必让required数组覆盖全部属性否则请求会被拒绝。Powered by Composio原文见 composio-skills/openai-automation/SKILL.md。赞分享AI 技能AI 插件人工智能工作流自动化【免费下载链接】awesome-claude-skillsA curated list of awesome Claude Skills, resources, and tools for customizing Claude AI workflows项目地址https://gitcode.com/GitHub_Trending/aw/awesome-claude-skills点击查看免费下载相关推荐在 Claude 中通过 Rube MCP 自动化 API Labz基于 Composio 的 Skill 配置与工作流实战指南在 Claude 中通过 Rube MCP 自动化 API Labz基于 Composio 的 Skill 配置与工作流实战指南 本文以 awesome clAI 技能AI 插件人工智能工作流自动化基于 awesome-claude-skills 的 Affinity 自动化 Skill通过 Rube MCP 编排 Composio 工作流基于 awesome claude skills 的 Affinity 自动化 Skill通过 Rube MCP 编排 Composio 工作流 导读 本文围AI 技能AI 插件人工智能工作流自动化Dotsimple 自动化实战基于 Rube MCPComposio打通 Claude Skill 工作流Dotsimple 自动化实战基于 Rube MCPComposio打通 Claude Skill 工作流 本文基于 awesome claude skiAI 技能AI 插件人工智能工作流自动化上一篇Umi-OCR完全指南免费开源离线OCR工具终极解决方案下一篇DLSS Swapper终极指南三步轻松提升游戏性能的免费神器创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
AI 技能AI 插件人工智能工作流自动化【免费下载链接】awesome-claude-skillsA curated list of awesome Claude Skills, resources, and tools for customizing Claude AI workflows项目地址https://gitcode.com/GitHub_Trending/aw/awesome-claude-skills点击查看免费下载本指南基于 awesome-claude-skills 仓库中 composio-skills/openai-automation/SKILL.md 展开讲解如何借助 Composio 的 Rube MCP 集成在一个 Claude Skill 内直接驱动 OpenAI API——涵盖 Responses API 文本/多模态生成、结构化 JSON 输出、Embedding 向量化、DALL-E 与 GPT Image 图像生成以及模型列表查询。读完本文你将掌握这套 Skill 的完整配置参数、四条核心工作流的调用方式以及规避 DALL-E 弃用、推理模型限制等常见陷阱的实战要点。Skill 定位预构建的 OpenAI 工作流技能在 README.md 的 App Automation via Composio 章节中这类技能被定义为面向 78 SaaS 应用的预构建工作流技能每个 Skill 包含工具序列、参数指引、已知陷阱Known Pitfalls与快速参考表Quick Reference且所有工具 slug 均来自 Composio API 的真实发现结果。本 Skill 的 frontmatter见 SKILL.md声明了其能力边界name:OpenAI Automationdescription: 自动执行 OpenAI API 操作——支持多模态与结构化输出的响应生成、Embedding 创建、图像生成以及模型列表查询经 Composio MCP 集成requires.mcp:rube即 Skill 运行的前提是客户端已接入 Rube MCP 服务器它解决的是典型的Agent 需要真实调用外部模型能力场景当你的 Claude 工作流需要生成文本、分析图片、产出结构化 JSON、为 RAG 构建向量索引或批量出图时无需自己维护 OpenAI SDK 代码直接通过 MCP 工具调用即可。环境准备接入 Rube MCP 并连接 OpenAI 账户Setup 步骤非常简洁共三步添加 Composio MCP 服务器在客户端配置中加入 MCP 服务器地址https://rube.app/mcp连接 OpenAI 账户按提示完成 API Key 认证即 OpenAI API key 鉴权开始使用下方各工作流。从仓库中同类 Skill如 composio-skills/ably-automation/SKILL.md的说明可以推断Rube MCP 具备一套通用的工具发现与连接管理机制可用RUBE_SEARCH_TOOLS查询当前可用的工具 schema 与推荐执行方案用RUBE_MANAGE_CONNECTIONS检查/建立到目标 toolkit 的连接并用RUBE_MULTI_EXECUTE_TOOL按发现的 tool_slug 实际执行。因此若首次连接状态不是ACTIVE应跟进返回的认证链接完成设置后再运行工作流。OpenAI 这类需要 API Key 的 toolkit 即通过该连接流程完成鉴权。核心工作流一生成响应文本、多模态与结构化输出OPENAI_CREATE_RESPONSE是覆盖最广的入口用于一次性模型响应支持纯文本、图片分析、OCR 以及结构化 JSON 输出。其完整输入参数如下Tool: OPENAI_CREATE_RESPONSE Inputs: - model: string (required) -- e.g., gpt-5, gpt-4o, o3-mini - input: string | array (required) Simple: Explain quantum computing Multimodal: [ { role: user, content: [ { type: input_text, text: What is in this image? }, { type: input_image, image_url: { url: https://... } } ]} ] - temperature: number (0-2, optional -- not supported with reasoning models) - max_output_tokens: integer (optional) - reasoning: { effort: none | minimal | low | medium | high } - text: object (structured output config) - format: { type: json_schema, name: ..., schema: {...}, strict: true } - tools: array (function, code_interpreter, file_search, web_search) - tool_choice: auto | none | required | { type: function, function: { name: ... } } - store: boolean (false to opt out of model distillation) - stream: boolean要点解析多模态输入input接受input_text与input_image混合的内容数组可用于这张图里有什么等视觉理解与 OCR 场景图片以image_url.url传递推理模型约束temperature0-2 区间与top_p在推理模型如 o3-mini、gpt-5 系列 reasoning 模式下不受支持应改用reasoning.effort调节推理强度枚举none/minimal/low/medium/high结构化输出通过text.format指定json_schema。示例——以strict: true约束 schema 时返回严格符合结构的 JSON{ type: json_schema, name: person, schema: { type: object, properties: { name: { type: string }, age: { type: integer } }, required: [name, age], additionalProperties: false }, strict: true }工具调用tools支持function、code_interpreter、file_search、web_searchtool_choice支持auto/none/required或指定具体函数蒸馏退出store: false用于选择退出模型蒸馏数据收集流式输出stream: boolean控制是否流式返回。核心工作流二创建 EmbeddingOPENAI_CREATE_EMBEDDINGS面向向量检索、聚类、推荐与 RAG 流水线Tool: OPENAI_CREATE_EMBEDDINGS Inputs: - input: string | string[] | int[] | int[][] (required) -- max 8192 tokens, max 2048 items - model: string (required) -- text-embedding-3-small, text-embedding-3-large, text-embedding-ada-002 - dimensions: integer (optional, only for text-embedding-3 and later) - encoding_format: float | base64 (default float) - user: string (optional, end-user ID for abuse monitoring)要点解析支持字符串、字符串数组、整数 ID 数组及其二维形式但每项不超过 8192 tokens、每批不超过 2048 项详见下文陷阱表dimensions仅对text-embedding-3及之后版本生效可用于裁剪向量维度以节省存储encoding_format默认float可选base64以压缩传输体积user字段用于滥用监控场景下的终端用户标识。核心工作流三生成图像OPENAI_CREATE_IMAGE使用 GPT Image 或 DALL-E 模型从文本提示词生成图片Tool: OPENAI_CREATE_IMAGE Inputs: - model: string (required) -- gpt-image-1, gpt-image-1.5, dall-e-3, dall-e-2 - prompt: string (required) -- max 32000 chars (GPT Image), 4000 (DALL-E 3), 1000 (DALL-E 2) - size: 1024x1024 | 1536x1024 | 1024x1536 | auto | 256x256 | 512x512 | 1792x1024 | 1024x1792 - quality: standard | hd | auto | high | medium | low - n: integer (1-10; DALL-E 3 supports n1 only) - background: transparent | opaque | auto (GPT Image models only) - style: vivid | natural (DALL-E 3 only) - user: string (optional)要点解析模型选型GPT Image 系列gpt-image-1、gpt-image-1.5是当前首选DALL-E 2/3 已进入弃用周期见陷阱表提示词长度上限随模型变化GPT Image 32000 字符、DALL-E 3 为 4000、DALL-E 2 为 1000尺寸矩阵横竖版1536x1024、1024x1536、方形1024x1024、auto自适应以及 DALL-E 2 的小尺寸256x256、512x512和 DALL-E 3 的1792x1024/1024x1792专属参数background仅 GPT Image 支持透明/不透明/自动style仅 DALL-E 3 支持vivid/natural数量限制DALL-E 3 只能n1多图请改用 GPT Image 或 DALL-E 2。核心工作流四列出可用模型OPENAI_LIST_MODELS用于探查当前 API Key 可访问的模型集合输入参数为空Tool: OPENAI_LIST_MODELS Inputs: (none)适合在编写工作流前先做模型可用性探测避免因模型名不可用导致调用失败。已知陷阱Known Pitfalls原文档用表格完整记录了六类高频坑点实际调用时应逐条对照PitfallDetailDALL-E deprecationDALL-E 2 和 DALL-E 3 已弃用将于 2026-05-12 停止支持应优先使用 GPT Image 模型DALL-E 3 single image onlyOPENAI_CREATE_IMAGE搭配 DALL-E 3 仅支持n1多图请用 GPT Image 模型或 DALL-E 2Token limits for embeddingsEmbedding 模型每项输入不得超过 8192 tokens、每批不超过 2048 项Reasoning model restrictionstemperature与top_p在推理模型o3-mini 等上不受支持应改用reasoning.effortStructured output strict mode当json_schema格式设置strict: true时schema 的所有属性都必须列入required数组Prompt length varies by model图像提示词长度上限不同GPT Image 32000、DALL-E 3 4000、DALL-E 2 1000快速参考Quick ReferenceTool SlugDescriptionOPENAI_CREATE_RESPONSE生成文本/多模态响应支持结构化输出OPENAI_CREATE_EMBEDDINGS为搜索、聚类与 RAG 创建文本向量OPENAI_CREATE_IMAGE从文本提示词生成图像OPENAI_LIST_MODELS列出当前 API Key 可用的全部模型实战建议结合仓库中同批 Rube MCP Skill 的通用模式参见 composio-skills/ably-automation/SKILL.md建议在实际工作流中遵循如下纪律先发现、后执行工具 schema 会随 API 演进而变化执行前先通过RUBE_SEARCH_TOOLS获取最新 tool slug 与输入 schema不要硬编码执行前确认连接用RUBE_MANAGE_CONNECTIONS确认 OpenAI toolkit 连接状态为ACTIVE再发起调用多工具批量执行需要串联多个 OpenAI 操作时可在RUBE_MULTI_EXECUTE_TOOL中传入多个{ tool_slug, arguments }并始终携带memory参数可为空{}会话复用同一工作流内复用 session ID新工作流生成新 ID严格 schema 合规结构化输出开启strict: true时务必让required数组覆盖全部属性否则请求会被拒绝。Powered by Composio原文见 composio-skills/openai-automation/SKILL.md。赞分享AI 技能AI 插件人工智能工作流自动化【免费下载链接】awesome-claude-skillsA curated list of awesome Claude Skills, resources, and tools for customizing Claude AI workflows项目地址https://gitcode.com/GitHub_Trending/aw/awesome-claude-skills点击查看免费下载相关推荐在 Claude 中通过 Rube MCP 自动化 API Labz基于 Composio 的 Skill 配置与工作流实战指南在 Claude 中通过 Rube MCP 自动化 API Labz基于 Composio 的 Skill 配置与工作流实战指南 本文以 awesome clAI 技能AI 插件人工智能工作流自动化基于 awesome-claude-skills 的 Affinity 自动化 Skill通过 Rube MCP 编排 Composio 工作流基于 awesome claude skills 的 Affinity 自动化 Skill通过 Rube MCP 编排 Composio 工作流 导读 本文围AI 技能AI 插件人工智能工作流自动化Dotsimple 自动化实战基于 Rube MCPComposio打通 Claude Skill 工作流Dotsimple 自动化实战基于 Rube MCPComposio打通 Claude Skill 工作流 本文基于 awesome claude skiAI 技能AI 插件人工智能工作流自动化上一篇Umi-OCR完全指南免费开源离线OCR工具终极解决方案下一篇DLSS Swapper终极指南三步轻松提升游戏性能的免费神器创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
