01
WebMark
采集与原始归档
WorkBuddy 接收 URL 后调用 WebMark，抓取网页正文与元数据，完成基础分类并生成可追溯的 Raw Markdown。
输出：Raw Markdown →PERSONAL WORKFLOW SYSTEM
MyWorkflow
我的工作流配置中心
本站点是 MyWorkflow 项目的说明文档与公共配置中心。
在 Agent 时代，我们试图把人的意图、经验和工作方法，转化为能够被计算机理解、执行并长期运行的系统。
工作流（Workflow）是其中的重要一环。它把经验转化为流程，把流程固化为系统，并最终形成可以长期运行的能力。
一套工作流通常包含多个相互衔接的环节，需要调用不同的工具、应用与服务，并通过文档、API 等方式交换信息、协同执行。我们将工作流各环节需要共同遵守的原则与规范，以及共享的配置参数、能力描述和其他元数据，抽象为公共配置文件，使不同工具能够对同一任务形成一致理解，并按照统一规则协同执行。
mdFlow 已投入使用
deepFlow 开发中
LetsDrop 设计中
更多工作流持续加入
ACTIVE WORKFLOW
mdFlow · 信息抓取与知识沉淀工作流
已投入使用从收藏一条网络链接，到获得可以持续整理、检索与发布的 Markdown 知识。WebMark、CleanMark 和 PublishMark 三个相互独立的阶段通过统一规范稳定衔接。
02
CleanMark
深度整理与规范化
基于原始资料开展清洗、结构重组与元数据规范化，形成与 Raw 内容相互独立的 Clean Markdown。
输出：Clean Markdown →03
PublishMark
内容发布与知识分享
接收清洗后的资料，写入 PublishMark 文档库并提交至 GitHub，由 Cloudflare 自动构建为正式阅读站点。
输出：PublishMark WebsiteWORKFLOW IN DEVELOPMENT
deepFlow · 深度研究工作流
开发中对特定主题开展深度研究与持续跟踪，并形成可自生长的智力资产。以 WorkBuddy 为交互入口，后端基于 LangGraph 编排自定义的深度研究流程，调用多个工具和数据源完成信息检索、交叉验证与综合分析，最终形成符合特定内容、格式和用途要求的技术产出。
01
WorkBuddy
交互、任务管理与意图理解
WorkBuddy 接收研究需求，管理任务和进度，理解用户意图，并调用专用 Skill 访问 LangGraph API。
调用：LangGraph API →02
LangGraph
研究流程编排
LangGraph API 接收结构化任务，由 LangGraph 拆解研究步骤、维护运行状态、安排执行顺序并组织工具调用。
输出：工具调用计划 →03
多途径工具
检索、分析与任务执行
根据编排计划调用不同数据源、检索服务、分析模型和其他专业工具，完成信息获取与研究处理。
输出：研究资料与阶段结果任务状态、阶段进展与最终结果通过 API 回传至 WorkBuddy，用户继续在原交互入口中查看和管理
WORKFLOW IN DESIGN
LetsDrop · 智能文件整理工作流
设计中把本地文件整理交给人、LLM / Agent、Skill 与确定性工具共同完成。用户只维护 Markdown 配置；Skill 将其编译成经过 Schema 校验的规范 JSON，AI 再判断最可能的归宿，人确认关键动作，Executor 安全改变文件系统。
01
Skill + Config Compiler
Markdown 配置编译
Skill 读取本地 config.md，通过 LLM 编译为规范 JSON 并完成 Schema 校验；配置未变化时复用上一有效结果。
输出：候选文件与目录语义 →02
Scanner + LLM / Agent
文件扫描与语义判断
Scanner 获取 Inbox 候选文件；AI 使用编译后的目录语义选择主归档位置及其他相关位置并生成 Plan，再交给 Web Review 确认。
输出：Confirmed Plan →03
Executor + Duplicate Review
确定性执行与重复文件清理
Executor 处理移动、引用与同名冲突；hash 相同的源文件标记为“重复已验证_”，最终删除仍交给人类决定。
输出：归档结果与待清理列表一个实体只保留一个 Canonical Location；其他合理位置建立 References。LLM 负责判断，工具负责执行，移动与删除的关键节点由人类确认。
GROWING WORKFLOW SYSTEM
新的工作流将持续加入
Agent 时代，我们采用相似的范式搭建（半）自动化工作流：默认以 WorkBuddy 作为人机交互入口，按任务需要组合 Python 脚本、Skill、RAG/知识库、MCP 等工具，并在复杂任务中使用自行编排的 LangGraph 工作流完成任务、返回结果，在本地持续沉淀成果资产。各工作流再通过公共配置文件约束和衔接内部环节。
让更多重复工作成为可持续运行系统
我们把日常工作中重复、琐碎，却需要长期完成的事项固化为工作流，结合 LLM 的意图理解、任务规划和工具调用能力，以及内部/外部工具执行能力，使这些任务以自动持续执行。人类只需提出目标、完成关键判断并接收结果，系统负责推进过程并沉淀成果。
下一个工作流
确定目标与总体方案后，将在此增加新的章节。