企业官网建设流程全解析

• AI 技能
• AI 插件
• 人工智能
• 工作流自动化

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 Automation
• description: 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：

1. 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；
2. 连接 OpenAI 账户：按提示完成 API Key 认证（即 OpenAI API key 鉴权）；
3. 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：temperature（0-2 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_search；tool_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 Embedding

OPENAI_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 n=1 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n=1，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：

快速参考（Quick Reference）

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。

• AI 技能
• AI 插件
• 人工智能
• 工作流自动化