name: 创建专家 description: 用expertise.yaml、question、self-improve和plan提示来搭建一个新的代理专家结构 argument-hint: <域名> [重点领域] allowed-tools: 读, 写, 全局, 终端

创建专家

遵循行动-学习-重用模式搭建一个新的代理专家。

参数

$1: 域名（必需，kebab-case，例如“database”、“websocket”、“billing”）
$ARGUMENTS: 重点领域（可选，空格分隔，例如“connection-pool queries migrations”）

说明

你正在使用TAC第13课的Act-Learn-Reuse模式创建一个新的代理专家框架。

步骤1：解析参数

提取：

从 $1 获取域名（必需）
从剩余参数获取重点领域（可选）

如果没有提供域名，停止并询问域名。

步骤2：验证域名

使用Glob检查专家是否已存在：

Glob: .claude/commands/experts/{$1}/*

如果存在，停止并报告“专家已存在。使用 /tac:improve-expertise 更新。”

步骤3：创建目录结构

创建专家目录，用实际的域名替换 {domain}（例如“database”、“websocket”）：

.claude/commands/experts/{domain}/
  expertise.yaml        # 心智模型（初始空白）
  question.md           # 查询专业知识
  self-improve.md       # 同步心智模型
  plan.md               # 使用专业知识创建计划
  plan-build-improve.md # 完整工作流程

步骤4：生成初始专业知识文件

创建空白的expertise.yaml用于种子化。重要： 在写入前将所有 {domain} 占位符替换为实际的域名：

# {Domain} 专家 - 心智模型
# 这不是真理来源 - 它是一个工作记忆文件
# 运行self-improve从代码库填充

overview:
  description: "待self-improve填充"
  tech_stack: ""
  patterns: ""

core_implementation:
  # 将由专业知识播种代理填充

key_operations:
  # 将由专业知识播种代理填充

best_practices:
  - "待发现"

known_issues:
  - "待发现"

# 行数限制：最大1000行
# 最后更新：[由self-improve自动填充]

步骤5：生成问题提示

创建question.md。将所有 {domain} 占位符替换为实际的域名：

---
description: 使用专业知识向{domain}专家提问
argument-hint: <您的问题>
allowed-tools: 读, 全局, 搜索
---

# {Domain} 专家 - 问题

您是{domain}专家。使用您的专业知识文件作为心智模型回答问题。

## 您的专业知识

阅读并内化：`.claude/commands/experts/{domain}/expertise.yaml`

## 说明

1. 加载您的专业知识文件
2. 理解问题：$ARGUMENTS
3. 仅使用专业知识+代码库验证的信息回答
4. 如果专业知识过时，请注意差异

## 响应格式

### 答案

[基于专业知识的直接答案]

### 置信度

[高/中/低] - 基于专业知识覆盖

### 如果置信度低

建议运行：`/experts/{domain}/self-improve true`

步骤6：生成自我改进提示

创建self-improve.md。将所有 {domain} 占位符替换：

---
description: 将{domain}专家心智模型与代码库同步
argument-hint: "[check-git-diff: true/false]"
allowed-tools: 读, 编辑, 终端, 全局, 搜索
---

# {Domain} 专家 - 自我改进

通过对比实际代码库维护专业知识准确性。

## 参数

- `$1`: check_git_diff标志（可选，默认：false）

## 工作流程

1. **检查Git Diff**（如果 $1 为 "true"）
   - 运行 `git diff HEAD~1 --name-only`
   - 如果没有{domain}相关更改，报告并退出

2. **读取当前专业知识**
   - 加载 `.claude/commands/experts/{domain}/expertise.yaml`

3. **验证代码库**
   - 验证每个引用的文件是否存在
   - 检查行数是否准确
   - 验证函数/操作是否存在

4. **识别差异**
   - 列出专业知识与代码之间的差异
   - 优先处理重大更改

5. **更新专业知识文件**
   - 同步心智模型与实际代码
   - 添加新发现的模式
   - 移除过时信息

6. **强制执行行数限制（MAX_LINES: 1000）**
   - 如果超过限制，进行压缩

7. **验证检查**
   - 确保YAML有效
   - 所有文件引用存在

## 输出

报告所做更改和专业知识健康状态。

步骤7：生成计划提示

创建plan.md。将所有 {domain} 占位符替换：

---
description: 使用{domain}专业知识创建实施计划
argument-hint: <任务描述>
allowed-tools: 读, 写, 全局, 搜索
model: opus
---

# {Domain} 专家 - 计划

使用您的领域专业知识创建详细实施计划。

## 您的专业知识

阅读并内化：`.claude/commands/experts/{domain}/expertise.yaml`

## 任务

$ARGUMENTS

## 工作流程

1. **加载专业知识**
   - 读取您的心智模型
   - 识别相关部分

2. **分析任务**
   - 分解需求
   - 映射到专业知识领域

3. **创建计划**
   - 需要的文件更改
   - 使用的操作
   - 遵循的最佳实践
   - 避免的已知问题

4. **输出**
   - 保存到 `specs/experts/{domain}/{task-slug}-spec.md`

步骤8：生成完整工作流程提示

创建plan-build-improve.md。将所有 {domain} 占位符替换：

---
description: 针对{domain}任务的完整Act-Learn-Reuse工作流程
argument-hint: <任务描述>
allowed-tools: 读, 写, 编辑, 终端, 全局, 搜索, 技能
model: opus
---

# {Domain} 专家 - 计划构建改进

执行完整的Act-Learn-Reuse循环。

## 任务

$ARGUMENTS

## 工作流程

### 步骤1：计划（重用）

调用：`/experts/{domain}/plan $ARGUMENTS`

等待规范文件创建。

### 步骤2：构建（行动）

读取规范文件并实施更改。

### 步骤3：自我改进（学习）

调用：`/experts/{domain}/self-improve true`

## 上下文保护

每个步骤在子代理中运行以保护顶层上下文：

- 计划：约80K令牌（opus）
- 构建：可变（sonnet）
- 自我改进：仅git diff（opus）

输出

## 专家已创建：{domain}

### 目录结构

```text
.claude/commands/experts/{domain}/
  expertise.yaml        # 心智模型（空白 - 运行种子填充）
  question.md           # 查询专业知识
  self-improve.md       # 同步心智模型
  plan.md               # 使用专业知识创建计划
  plan-build-improve.md # 完整工作流程

下一步

播种专业知识文件：

/tac:seed-expertise {domain} {focus-areas}

或运行自我改进自动发现：
```
/experts/{domain}/self-improve false
```

用问题测试：

/experts/{domain}/question "X如何工作？"

可用命令

命令	目的
`/experts/{domain}/question`	查询专业知识
`/experts/{domain}/self-improve`	同步心智模型
`/experts/{domain}/plan`	创建实施计划
`/experts/{domain}/plan-build-improve`	完整ACT->LEARN->REUSE工作流程

备注

查看 @agent-expert-creation 技能获取完整模式
心智模型不是真理来源 - 代码库是
每次ACT步骤后运行self-improve
在expertise.yaml上强制执行1000行限制

最后更新： 2025-12-15