culture-rules Skill 技能

技能简介

culture-rules 是一款面向 AgentCulture mesh 的图优先规则引擎，把"规则 → 条件 → 工作流 → 动作"这条事件链拆成可组合的可视化节点，由 Python 后端库、CLI、HTTP API、MCP 服务器和 React Flow 可视化编辑器共同承载。它专为两类读者设计：在浏览器 rules.culture.dev 上编排并监控 spark、thor、spark2 多机自动化的运维者，以及通过 CLI/MCP 驱动同一套规则、工作流、Actor 的 mesh 智能体；一处定义、多端共用。

核心能力

• 规则事件链建模：规则由 trigger、condition、workflow、action 四段组成，规则之间可声明 must run after / may run after / supersede / 消费前置输出，让复杂自动化可显式表达时序与依赖。
• 类型化条件判定：条件是 typed JSON predicate 在 trigger 与 context 上的纯函数求值（从不 eval()），图形编辑器是默认入口，类 CEL 的文本形式作为高级视图。
• 可复用工作流：workflow 是 typed inputs + 内部变量 + steps（逻辑 / AI 调用 / 代码执行 / Actor 任务 / 循环）+ 显式 outputs 的复合体；每步有类型化 ports 与所属 machine，单次执行可跨机器跳。
• Actor 与机器解耦：Actor（agent / human / service / daemon / runner / robot）只描述"谁/什么做"，携带 capabilities、limits（预算/并发）、secret 引用，绝不充当规则链中的一个 stage；Machine 是显式入网的主机（spark、thor、spark2）记录地址、平台、capabilities、roles。
• 运行可恢复：每次 Run 的状态持久化在 MongoDB，human step 与 engine 重启都安全，每步记录 host 与 outcome，崩溃后可从断点继续。
• 可视化编辑器四 Tab：Rules（规则列表 + 纵向 flow）/ Workflows（React Flow 自由画布，机器落在节点上）/ Actors（大字号花名册）/ Statistics（一机一道：在线状态、CPU/GPU/内存、运行中、队列深度、24h ok/failed）。

安装配置

1. pip install culture-rules 安装核心库与 CLI（零三方依赖）。
2. 加 extras 按需启用：[server] 加 FastAPI+uvicorn 启动 HTTP API + 编辑器；[store] 加 pymongo 启用 MongoDB store；[mcp] 加 mcp 包启用 MCP 服务器；[events] 加 events-cli 启用持久化触发器订阅；[yaml] 加 PyYAML 启用 YAML 导入/导出与 repo 级 agent actor。
3. 启动编辑器：culture-rules serve（需 [server] extra），浏览器访问 http://localhost:8000 即可；web 包是预构建的 same-origin bundle，无需 Node 工具链。
4. 启动 MCP：culture-rules mcp（需 [mcp] extra），把命令注册到 Claude / Cursor / Continue 等 MCP 客户端即可让 Agent 驱动同一套规则。
5. 入网机器：在 Statistics 页面登记新机器（地址、平台、capabilities 如 gpu、roles 如 store member / engine node / runner）。

使用步骤

1. 安装基础包 + 启用所需的 extras（建议起步就装 [server] [store] [mcp] 三个 extras）。
2. 启动 culture-rules serve（HTTP + 编辑器）和 culture-rules mcp（让 Agent 调用），两者读写同一 MongoDB store。
3. 在 Rules Tab 点 New rule 选 trigger 类型（PR approved / 定时 / 事件），按向导配置 condition、workflow、action，每步可指定 machine 与 actor。
4. 在 Workflows Tab 用 React Flow 画布拖拽步骤：logic node / AI call node / code run node / actor task node / loop node，每个节点自带 machine selector。
5. 在 Actors Tab 注册/管理 agent / human / service / daemon actor，每个 actor 携带 capabilities 与 secret 引用。
6. 在 Statistics Tab 看每台机器在线状态、CPU/GPU/内存、当前运行规则、队列深度、24h 成功/失败计数。
7. 让 mesh Agent 通过 MCP 调 culture-rules CLI 或直接读 MongoDB，与运维者在浏览器中共享同一套规则视图。

适用场景

• 跨多机的研发自动化：PR approved → CI gate → 部署审批 → 上线动作，整条链路在 Rules Tab 里可视化编排。
• AI Agent 网格治理：mesh 中多个 agent / human / daemon 通过同一套规则协作，避免 per-host 胶水代码。
• 关键操作的人工兜底：某些 action 标记为需要 human approval，规则触发后停在 human step 等人在 UI 里 ack。
• 引擎崩溃可恢复：长时 workflow 跑到一半 engine 挂了，重启后从 MongoDB 恢复状态继续执行，不丢步。
• 多团队共享的自动化中台：图形界面给 ops 看，CLI/MCP 给 agent 用，一处定义两处执行。

适用人群

• 跨多机运维的研发效能 / DevOps 团队，需要把分散脚本收敛成可视化规则。
• AI Agent 平台架构师，mesh 中的多 agent 需要统一编排协议。
• 安全敏感行业的自动化负责人，human-in-the-loop 步骤需要图形审批留痕。
• 内部工具团队，希望给业务方一个不用读代码就能编排自动化的前端。

工作原理

culture-rules 把"什么时候触发（trigger）→ 满足什么条件才执行（condition）→ 按什么步骤执行（workflow）→ 最终做什么副作用（action）→ 谁来做（actor）→ 在哪台机器上做（machine）"拆成六个独立的可视化实体，规则之间通过 must run after / may run after / supersede / 显式 outputs 显式声明依赖；所有 Run 状态持久化在 MongoDB，typed JSON predicate 取代 eval() 保证条件求值可审计、可序列化、可版本控制；图形编辑器是默认入口，CLI/MCP 让 mesh Agent 共享同一份真理，崩溃可恢复的关键在 Run 状态外置到 store 而非 in-memory。

官方链接

• PyPI：https://pypi.org/project/culture-rules/
• GitHub：https://github.com/agentculture/culture-rules
• 设计画布：https://claude.ai/artifact/Jgm3JPnAhKWpeiCxFXvNBi