启动会话Skill start

---

name: start description: “启动会话”

启动会话

初始化您的AI开发会话并开始处理任务。

---

操作类型

标记	含义	执行者
[AI]	由AI执行的Bash脚本或任务调用	您 (AI)
[USER]	用户执行的斜杠命令	用户

---

初始化 [AI]

步骤 1: 理解开发工作流程

首先，阅读工作流程指南以理解开发过程：

cat .trellis/workflow.md

遵循workflow.md中的指令 - 它包含：

• 核心原则（先读后写、遵循标准等）
• 文件系统结构
• 开发过程
• 最佳实践

步骤 2: 获取当前上下文

python3 ./.trellis/scripts/get_context.py

这会显示：开发者身份、git状态、当前任务（如果有）、活动任务。

步骤 3: 阅读指南索引

cat .trellis/spec/frontend/index.md  # 前端指南
cat .trellis/spec/backend/index.md   # 后端指南
cat .trellis/spec/guides/index.md    # 思考指南

步骤 4: 报告并询问

报告您学到的内容并询问：“您想处理什么？”

---

任务分类

当用户描述任务时，分类如下：

类型	标准	工作流程
问题	用户询问代码、架构或工作原理	直接回答
琐碎修复	拼写错误修复、评论更新、单行更改	直接编辑
简单任务	目标清晰，1-2个文件，范围明确	快速确认 → 实施
复杂任务	目标模糊，多个文件，架构决策	头脑风暴 → 任务工作流程

分类信号

琐碎/简单指标：

• 用户指定确切的文件和更改
• “修复X中的拼写错误”
• “向组件Z添加字段Y”
• 已陈述清晰的验收标准

复杂指标：

• “我想添加一个功能用于…”
• “你能帮我改进…”
• 提及多个领域或系统
• 没有清晰的实施路径
• 用户对方法不确定

决策规则

如有疑问，使用头脑风暴 + 任务工作流程。

任务工作流程确保规范被注入到代理中，从而产生更高质量的代码。 开销最小，但收益显著。

---

问题 / 琐碎修复

对于问题或琐碎修复，直接工作：

1. 回答问题或进行修复
2. 如果代码已更改，提醒用户运行 /trellis:finish-work

---

简单任务

对于简单、定义明确的任务：

1. 快速确认：“我理解您想[目标]。准备好继续吗？”
2. 如果是，跳至任务工作流程步骤 2（研究）
3. 如果否，澄清并再次确认

---

复杂任务 - 先头脑风暴

对于复杂或模糊的任务，使用头脑风暴过程澄清需求。

查看 /trellis:brainstorm 获取完整过程。摘要：

1. 确认和分类 - 陈述您的理解
2. 创建任务目录 - 在 prd.md 中跟踪演进的需求
3. 一次一个问题 - 每次回答后更新PRD
4. 提出方法 - 用于架构决策
5. 确认最终需求 - 获得明确批准
6. 继续进行任务工作流程 - 使用PRD中的清晰需求

关键头脑风暴原则

原则	描述
一次一个问题	从不一次性提出多个问题
立即更新PRD	每次回答后，更新文档
偏好多项选择	用户更容易回答
YAGNI	挑战不必要的复杂性

---

任务工作流程（开发任务）

为什么使用此工作流程？

• 研究代理分析需要哪些规范
• 规范在jsonl文件中配置
• 实施代理通过Hook注入接收规范
• 检查代理根据规范验证
• 结果：自动遵循项目约定的代码

步骤 1: 理解任务 [AI]

如果来自头脑风暴： 跳过此步骤 - 需求已在PRD中。

如果是简单任务： 快速确认理解：

• 目标是什么？
• 什么类型的开发？（前端/后端/全栈）
• 任何特定要求或约束？

步骤 2: 研究代码库 [AI]

调用研究代理进行分析：

Task(
  subagent_type: "research",
  prompt: "分析此任务的代码库：

  任务：<用户的任务描述>
  类型：<前端/后端/全栈>

  请查找：
  1. .trellis/spec/中的相关规范文件
  2. 要遵循的现有代码模式（找到2-3个例子）
  3. 可能需要修改的文件

  输出：
  ## 相关规范
  - <路径>：<为什么相关>

  ## 找到的代码模式
  - <模式>：<示例文件路径>

  ## 要修改的文件
  - <路径>：<更改内容>

  ## 建议的任务名称
  - <短slug名称>",
  model: "opus"
)

步骤 3: 创建任务目录 [AI]

基于研究结果：

TASK_DIR=$(python3 ./.trellis/scripts/task.py create "<来自研究的标题>" --slug <建议的slug>)

步骤 4: 配置上下文 [AI]

初始化默认上下文：

python3 ./.trellis/scripts/task.py init-context "$TASK_DIR" <类型>
# 类型：backend | frontend | fullstack

添加研究代理找到的规范：

# 对于每个相关规范和代码模式：
python3 ./.trellis/scripts/task.py add-context "$TASK_DIR" implement "<路径>" "<原因>"
python3 ./.trellis/scripts/task.py add-context "$TASK_DIR" check "<路径>" "<原因>"

步骤 5: 编写需求 [AI]

在任务目录中创建 prd.md，内容如下：

# <任务标题>

## 目标
<我们要实现的目标>

## 需求
- <需求 1>
- <需求 2>

## 验收标准
- [ ] <标准 1>
- [ ] <标准 2>

## 技术笔记
<任何技术决策或约束>

步骤 6: 激活任务 [AI]

python3 ./.trellis/scripts/task.py start "$TASK_DIR"

这设置 .current-task，以便钩子可以注入上下文。

步骤 7: 实施 [AI]

调用实施代理（规范通过钩子自动注入）：

Task(
  subagent_type: "implement",
  prompt: "实施prd.md中描述的任务。

  遵循已注入到您上下文中的所有规范。
  完成前运行代码检查和类型检查。",
  model: "opus"
)

步骤 8: 检查质量 [AI]

调用检查代理（规范通过钩子自动注入）：

Task(
  subagent_type: "check",
  prompt: "根据规范审查所有代码更改。

  直接修复您发现的任何问题。
  确保代码检查和类型检查通过。",
  model: "opus"
)

步骤 9: 完成 [AI]

1. 验证代码检查和类型检查通过
2. 报告实施的内容
3. 提醒用户：
   • 测试更改
   • 准备就绪时提交
   • 运行 /trellis:record-session 记录此会话

---

继续现有任务

如果 get_context.py 显示当前任务：

1. 阅读任务的 prd.md 以理解目标
2. 检查 task.json 的当前状态和阶段
3. 询问用户：“继续处理<任务名称>吗？”

如果是，从适当的步骤恢复（通常是步骤 7 或 8）。

---

命令参考

用户命令 [USER]

命令	何时使用
/trellis:start	开始会话（此命令）
/trellis:brainstorm	澄清模糊需求（从start调用）
/trellis:parallel	需要隔离工作树的复杂任务
/trellis:finish-work	提交更改前
/trellis:record-session	完成任务后

AI 脚本 [AI]

脚本	目的
python3 ./.trellis/scripts/get_context.py	获取会话上下文
python3 ./.trellis/scripts/task.py create	创建任务目录
python3 ./.trellis/scripts/task.py init-context	初始化jsonl文件
python3 ./.trellis/scripts/task.py add-context	添加规范到jsonl
python3 ./.trellis/scripts/task.py start	设置当前任务
python3 ./.trellis/scripts/task.py finish	清除当前任务
python3 ./.trellis/scripts/task.py archive	归档已完成的任务

子代理 [AI]

代理	目的	钩子注入
research	分析代码库	否（直接读取）
implement	编写代码	是（implement.jsonl）
check	审查和修复	是（check.jsonl）
debug	修复特定问题	是（debug.jsonl）

---

关键原则

规范被注入，而不是被记住。

任务工作流程确保代理自动接收相关规范。 这比希望AI“记住”约定更可靠。