基于 Rube MCP 的 Atlassian 自动化：awesome-codex-skills 中的 atlassian-automation Skill 实战指南-酒店常州论坛

基于 Rube MCP 的 Atlassian 自动化：awesome-codex-skills 中的 atlassian-automation Skill 实战指南

【免费下载链接】awesome-codex-skillsA curated list of practical Codex skills for automating workflows across the Codex CLI and API.项目地址: https://gitcode.com/GitHub_Trending/aw/awesome-codex-skills

本指南围绕 composio-skills/atlassian-automation/SKILL.md 展开，讲解如何通过 Rube MCP 将 Codex 接入 Composio 的 Atlassian 工具包，自动化 Jira、Confluence 等 Atlassian 系列操作。读完本文，你将掌握"工具发现 → 连接检查 → 执行调用"的完整自动化范式，学会正确处理会话复用、schema 合规与分页等关键细节，并能将这套模式复用到仓库中其余数百个 composio-skills 自动化技能上。

这个 Skill 解决什么问题

Atlassian 家族（Jira、Confluence、Bitbucket 等）是企业协作的常见基础设施，但通过手工点击 UI 操作海量工单、页面与项目数据效率极低。atlassian-automation是一个 Codex Skill——即一段带有元数据（name + description）与分步指引的指令包，Codex 会依据description决定何时触发它。它的定位正如 README 所述：这类技能让 Agent 不仅"说出"能做什么，而是通过 MCP 网关真正执行现实世界中的操作（README.md）。

该 Skill 通过 Rube MCP（一个 MCP 端点https://rube.app/mcp）桥接 Composio 的 Atlassian toolkit，从而在 Codex 会话内直接完成 Atlassian 相关任务的搜索、连接与工具执行。与仓库中同目录下的 composio-automation、composio-search-automation 等技能结构一致，它们共享同一套 Rube MCP 工作流骨架，只是 toolkit 与业务场景不同。

前置条件

在开始任何 Atlassian 自动化工作流之前，需要确认以下三项前提全部满足：

Rube MCP 已连接：客户端环境中可用的RUBE_SEARCH_TOOLS工具，这是验证 MCP 连接是否生效的直接信号；
Atlassian 连接已激活：通过RUBE_MANAGE_CONNECTIONS并指定 toolkitatlassian建立并确认连接，状态必须为ACTIVE；
先搜索再执行：任何工作流开始前，都必须先调用RUBE_SEARCH_TOOLS获取当前最新的工具 schema——这是本 Skill 反复强调的铁律。

环境搭建：接入 Rube MCP 并建立 Atlassian 连接

1. 获取 Rube MCP

在客户端的 MCP 服务器配置中添加https://rube.app/mcp作为 MCP server 即可。无需任何 API Key——只需添加端点即可正常工作，这是接入成本最低的路径。

2. 验证并建立连接的四步流程

确认RUBE_SEARCH_TOOLS有响应，以验证 Rube MCP 可用；
调用RUBE_MANAGE_CONNECTIONS，指定 toolkitatlassian；
若连接状态不是ACTIVE，按返回的认证链接完成设置（一般为 OAuth 流程）；
在运行任何工作流之前，确认连接状态显示为ACTIVE。

需要说明的是，当前仓库中该 Skill 目录下仅有 SKILL.md 一个文件，认证细节以 Rube MCP 返回的 auth link 实际引导为准；连接建立后，凭证由 Rube/Composio 侧托管，后续调用无需重复授权。

工具发现：永远先用 RUBE_SEARCH_TOOLS

工具 schema 是不断演进的——Atlassian 工具包的 tool slug 与入参格式可能随版本变化。因此本 Skill 要求在执行业务工作流之前，必须先执行工具发现：

RUBE_SEARCH_TOOLS queries: [{use_case: "Atlassian operations", known_fields: ""}] session: {generate_id: true}

该调用会返回：

可用的工具 slug（tool slugs）列表；
每个工具的输入 schema（input schemas）；
推荐的执行计划（recommended execution plans）；
已知陷阱提示（known pitfalls）。

其中session: {generate_id: true}用于在首次调用时生成新的会话 ID，后续步骤复用该 ID 以保持会话上下文连续。

会话参数说明

参数	取值	作用
`queries[].use_case`	描述具体任务的自然语言	驱动工具搜索的语义匹配
`queries[].known_fields`	已知字段名（可留空字符串）	提供额外约束、缩小搜索范围
`session.generate_id`	`true`	首次调用时让服务端生成新会话 ID
`session.id`	已有会话 ID	后续调用复用同一会话

核心工作流模式：发现 → 连接 → 执行

无论具体任务是什么，Atlassian 自动化都遵循同一套三步工作流模式。

Step 1：发现可用工具

RUBE_SEARCH_TOOLS queries: [{use_case: "your specific Atlassian task"}] session: {id: "existing_session_id"}

用你的具体任务（例如 "create a Jira issue"、"search Confluence pages"）替换use_case，并传入已有会话 ID。切勿在未完成此步的情况下直接调用任何工具。

Step 2：检查连接

RUBE_MANAGE_CONNECTIONS toolkits: ["atlassian"] session_id: "your_session_id"

确认返回结果中连接状态为ACTIVE后再继续。若为其他状态，回到"环境搭建"章节的步骤 3 完成认证。

Step 3：执行工具

RUBE_MULTI_EXECUTE_TOOL tools: [{ tool_slug: "TOOL_SLUG_FROM_SEARCH", arguments: {/* schema-compliant args from search results */} }] memory: {} session_id: "your_session_id"

执行阶段的关键约束：

tool_slug必须来自 Step 1 的搜索结果，不要硬编码；
arguments必须严格符合搜索结果中返回的 schema（字段名与类型都要精确匹配）；
memory参数必须始终携带，即使为空也要传{}；
session_id复用本工作流的会话 ID。

已知陷阱与最佳实践

原文档明确列出了六条容易踩坑的点，这也是保证自动化稳定性的核心纪律：

始终先搜索：工具 schema 会变化，禁止不调用RUBE_SEARCH_TOOLS就硬编码 tool slug 或参数；
检查连接：执行工具前，确认RUBE_MANAGE_CONNECTIONS返回ACTIVE状态；
Schema 合规：严格使用搜索结果中的精确字段名与类型；
memory 参数：调用RUBE_MULTI_EXECUTE_TOOL时始终包含memory，即使为空{}；
会话复用：同一工作流内复用会话 ID；新工作流则生成新的会话 ID；
分页处理：检查响应中是否包含分页令牌（pagination tokens），若有则持续拉取直至数据完整。

这六条规则中，"先搜索"与"分页"是 Agent 自动化中最容易被忽略、也最容易导致线上失败的环节：前者保证参数不因 schema 漂移而失效，后者保证批量拉取 Atlassian 数据时不遗漏结果。

快速参考表

操作	方法
查找工具	`RUBE_SEARCH_TOOLS`，配合 Atlassian 相关的 use case
建立连接	`RUBE_MANAGE_CONNECTIONS`，指定 toolkit`atlassian`
执行调用	`RUBE_MULTI_EXECUTE_TOOL`，使用发现到的 tool slug
批量操作	`RUBE_REMOTE_WORKBENCH`，配合`run_composio_tool()`
获取完整 schema	`RUBE_GET_TOOL_SCHEMAS`，用于带`schemaRef`的工具

这张表是日常使用频率最高的速查入口：单次调用走RUBE_MULTI_EXECUTE_TOOL，需要批量循环或复杂编排时升级到RUBE_REMOTE_WORKBENCH并在远端执行环境中调用run_composio_tool()，当工具的 schema 以schemaRef引用形式存在、需要获取完整定义时则用RUBE_GET_TOOL_SCHEMAS。

仓库延伸：Jira 自动化的真实用法参考

虽然atlassian-automation通过 Rube MCP 访问工具，但仓库中其他技能展示了同一套 Atlassian 能力的落地场景，可作为理解"能自动化的具体任务"的参考：

issue-triage/SKILL.md 展示了基于 Composio CLI 的 Jira 工单分流范式，其中列出的常用 slug 与参数语义可以迁移到本 Skill 的工作流中：JIRA_SEARCH_FOR_ISSUES_USING_JQL（JQL 检索）、JIRA_CREATE_ISSUE（建单）、JIRA_EDIT_ISSUE（改单）、JIRA_ADD_COMMENT（加评论）、JIRA_ASSIGN_ISSUE（指派）。例如 JQL 查询示例：project = APP AND statusCategory != Done AND assignee is EMPTY ORDER BY updated DESC，配合maxResults与fields（如["summary","priority","labels","updated","reporter"]）即可精确拉取待分流的工单切片；
connect/SKILL.md 说明了 Composio 对 Atlassian 产品的覆盖范围（Dev 类目包含 Jira，Docs 类目包含 Confluence），并提供了 CLI 方式（composio link jira、composio search、composio execute）的替代接入路径；
同目录下的 composio-automation 与 composio-search-automation 与本文档共享完全一致的 Rube MCP 三步工作流骨架，掌握了本文的模式即可无障碍迁移。

将该 Skill 安装到 Codex

参照 README.md 的安装指引，atlassian-automation作为一个标准 Skill 可通过两种方式安装到 Codex：

方式一：Skill Installer（推荐）

git clone https://gitcode.com/GitHub_Trending/aw/awesome-codex-skills.git cd awesome-codex-skills python skill-installer/scripts/install-skill-from-github.py --repo GitHub_Trending/aw/awesome-codex-skills --path composio-skills/atlassian-automation

安装器会将 Skill 放入$CODEX_HOME/skills/<skill-name>，重启 Codex 后即可生效。

方式二：手动安装

将composio-skills/atlassian-automation目录复制到$CODEX_HOME/skills/（默认~/.codex/skills/）；
重启 Codex 以加载新元数据；
在会话中自然描述任务或直接提及 skill 名称，Codex 会依据 SKILL.md frontmatter 中的description自动触发该技能。

小结

atlassian-automation的价值不在于它包含多少行代码，而在于它把"通过 MCP 安全调用企业级工具"这一过程规范化为一条可重复、可验证的纪律：先RUBE_SEARCH_TOOLS发现最新 schema，再RUBE_MANAGE_CONNECTIONS确认连接，最后用RUBE_MULTI_EXECUTE_TOOL执行并始终携带memory与会话 ID。这套模式既适用于 Jira 工单自动化，也可扩展到 Confluence 页面管理等更广泛的 Atlassian 操作，并且能一键复用到仓库中同构的数百个 composio-skills 技能上。

创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考

企业官网建设流程全解析