senior-architect（高级架构师）Skill 能做什么？

高级架构师Skill：让系统架构设计从“凭经验”变成“有工具链”

• 它是什么：一个面向软件架构设计的 AI 技能，覆盖架构图生成、项目架构分析、依赖分析三大自动化脚本能力，并内置架构模式、系统设计工作流、技术决策三份参考文档。
• 怎么用：技能以 scripts/ 下的 Python 脚本 + references/ 下的文档形式提供，装上技能后即可通过自然语言描述需求，由 AI 调用脚本产出架构产物。
• 强在哪：不是只给你一段“听起来很对”的建议，而是能对真实项目路径做分析、出结构化输出，把架构决策过程变成可复现的流程。
• 技术栈覆盖：React、Next.js、React Native、Flutter、Node.js、Express、GraphQL、Go、Python、PostgreSQL、Docker、Kubernetes 等主流前后端与云原生组件。
• 适合谁：Tech Lead、架构师、独立开发者、需要做技术选型与架构评审的团队。

1. 该技能叫什么？如何一键安装 AI 技能提升开发效率？

技能中文名：高级架构师Skill 技能英文名：senior-architect 技能ID：12142

它要解决的核心问题是：架构设计长期依赖个人经验，方案散落在会议纪要、白板照片和个人脑图里，既难复用也难验证。这个技能把「画架构图」「评估现有项目结构」「梳理依赖关系」三件高频但重复劳动多的事，收敛成可调用的脚本与结构化的参考文档，让 AI 在真实项目路径上干活，而不是空谈方法论。

一键安装思路：所谓“一键安装”，本质是把技能包挂载到你的 AI 编程助手环境中，让 AI 在对话中自动识别并调用技能内的脚本与文档，从而减少手工提示词和上下文粘贴。

典型步骤如下（具体命令与入口以官方说明为准）：

1. 确认安装前提：需要一个支持技能（Skill）机制并能执行本地命令的 AI 编程助手环境；本机需具备 Python 运行环境（技能内脚本以 python scripts/xxx.py 方式调用），以及 Node.js / npm 环境（用于项目侧的 npm install、npm run dev 等常规命令）。
2. 通过技能入口安装：在技能市场或技能目录中检索技能名 senior-architect 或技能ID 12142，执行安装/启用动作。安装方式与入口地址以官方说明为准。
3. 准备项目环境：进入你的项目目录，按项目自身情况安装依赖（npm install 或 pip install -r requirements.txt），需要环境变量时执行 cp .env.example .env 并填写配置。
4. 验证是否生效：确认技能目录下能看到 scripts/ 与 references/；在项目根目录试着触发一次分析，例如 python scripts/project_architect.py .，若脚本能读取项目并输出分析结果与建议，说明技能已正常工作。
5. 建立调用习惯：后续在对话中直接描述“帮我为这个项目生成架构图”“帮我分析依赖风险”，由 AI 判断调用哪个脚本、读取哪份参考文档。

2. 该技能的主要功能和特点

• 架构图生成器（Architecture Diagram Generator）：通过 python scripts/architecture_diagram_generator.py <project-path> [options] 调用，提供自动化脚手架、内置最佳实践、可配置模板与质量检查，把“画一张能讲清楚的架构图”从手工绘制变为脚本生成。
• 项目架构师（Project Architect）：通过 python scripts/project_architect.py <target-path> [--verbose] 调用，做深度分析、输出性能指标、给出推荐建议并支持自动化修复方向，相当于给项目做一次“架构体检”。
• 依赖分析器（Dependency Analyzer）：通过 python scripts/dependency_analyzer.py [arguments] [options] 调用，面向专业分析任务，强调专家级自动化、自定义配置、集成就绪与生产级输出。
• 三份体系化参考文档：references/architecture_patterns.md（架构模式、代码示例、最佳实践、反模式、真实场景）、references/system_design_workflows.md（逐步流程、优化策略、工具集成、性能调优、故障排除）、references/tech_decision_guide.md（技术栈详情、配置示例、集成模式、安全与可扩展性）。
• 技术栈决策框架：覆盖 TypeScript、JavaScript、Python、Go、Swift、Kotlin 等语言，React / Next.js / React Native / Flutter 前端，Node.js / Express / GraphQL / REST 后端，PostgreSQL / Prisma / Supabase 数据层，以及 Docker / Kubernetes / Terraform / GitHub Actions 等 DevOps 与 AWS / GCP / Azure 云环境。
• 内置最佳实践清单：代码质量、性能（先测量再优化、合理缓存、监控关键路径）、安全（校验输入、参数化查询、正确认证、依赖更新）、可维护性（清晰命名、有用注释、保持简单）。

和普通工具比强在哪：普通绘图工具只解决“画出来”，通用对话模型只解决“说清楚”，而这个技能把“分析项目 → 给方案 → 出图/出报告”串成一条链路，且每一步都有脚本与文档作为可验证的落点。

3. 如何使用该技能？

步骤 1：环境准备 进入项目目录，安装依赖并配置环境：

npm install
# 或
pip install -r requirements.txt

cp .env.example .env

步骤 2：让 AI 载入技能上下文 在对话中明确告诉 AI 当前项目路径与目标，例如：“用高级架构师Skill 分析当前项目，输出架构图建议和依赖风险清单。” AI 会据此选择脚本与参考文档。

步骤 3：生成架构图

python scripts/architecture_diagram_generator.py <项目路径> [options]

输入示例：python scripts/architecture_diagram_generator.py ./my-saas-app 输出说明：按技能内置模板与最佳实践生成架构相关产物，并附带质量检查结果，便于作为架构评审材料。

步骤 4：做项目架构体检

python scripts/project_architect.py .
# 需要更多信息时
python scripts/project_architect.py . --verbose

输入示例：在项目根目录执行 python scripts/project_architect.py . --verbose 输出说明：返回深度分析结果、性能指标与推荐建议，可据此逐条决定是否采纳修复。

步骤 5：梳理依赖关系

python scripts/dependency_analyzer.py --analyze

输入示例：python scripts/dependency_analyzer.py --analyze 输出说明：产出依赖分析结果，用于识别耦合过重、循环依赖或升级风险点。

步骤 6：对照参考文档落地最佳实践 遇到选型纠结时，让 AI 结合 references/tech_decision_guide.md 给出权衡；设计模式拿不准时，查阅 references/architecture_patterns.md 的反模式清单；流程卡壳时，按 references/system_design_workflows.md 的步骤推进。

步骤 7：跑通用质量命令并部署

npm run dev
npm run build
npm run test
npm run lint

docker build -t app:latest .
docker-compose up -d
kubectl apply -f k8s/

步骤 8：遇到问题时的排查顺序 查看参考文档 → 检查脚本输出信息 → 核对技术栈官方文档 → 查看错误日志。

4. 同类型竞品对比分析

方案名称	定位	核心功能	安装/使用门槛	适用场景	优势与不足
高级架构师Skill（senior-architect）	面向真实项目的架构设计与分析工具包	架构图生成、项目架构分析、依赖分析，配套三份架构参考文档	需 AI 技能运行环境与 Python 环境，装好即可对话调用	技术选型、架构评审、遗留系统梳理、跨端架构设计	优势：脚本 + 文档双支撑，能对真实路径产出结构化结果；不足：依赖本地环境配置，脚本参数需按官方说明使用
通用大模型直接对话	通用问答与文本生成	生成架构描述、方案对比、伪代码	门槛最低，打开即用	快速获得思路、写方案初稿	优势：零配置、上手快；不足：不了解你的真实项目结构，结论难验证，容易“听起来对但落不了地”
draw.io / Excalidraw 等绘图工具	手工架构图绘制	图形绘制、模板、导出	低，浏览器即可	汇报、文档配图	优势：出图自由度高；不足：不产生分析结论，图形与代码实际结构易脱节
SonarQube 等静态代码分析工具	代码质量与依赖度量	代码规则扫描、重复度、依赖与质量问题报告	中高，需搭建服务与配置规则	CI 流水线质量门禁	优势：指标客观、可持续监控；不足：偏“检查”而非“设计”，不提供架构方案与选型建议

5. 该技能的典型应用场景与实际体验情况

场景一：初创团队的技术选型会议 角色：Tech Lead。痛点：选型会上各方凭偏好争论，缺少可引用的判断依据。使用方式：把业务约束和候选技术栈丢给技能，让其结合 references/tech_decision_guide.md 输出对比与取舍建议，再生成一版架构图作为讨论底稿。实际体验：讨论从“我觉得”转向“按这份依据”，会议时间明显缩短；注意点是业务约束要描述清楚，否则结论会偏泛。

场景二：接手遗留系统做依赖梳理 角色：新入职的后端工程师。痛点：项目庞大、模块耦合不清，不敢动代码。使用方式：执行 python scripts/dependency_analyzer.py --analyze 与 python scripts/project_architect.py . --verbose，先拿到依赖关系与结构分析，再让 AI 结合架构模式文档给出拆分建议。实际体验：上手路径清晰了很多，尤其是能直接对着输出结果排优先级；注意点是首次运行前务必把依赖装全，否则脚本可能报错。

场景三：跨端产品架构设计 角色：独立开发者或小团队负责人。痛点：同一业务要覆盖 Web、React Native、Flutter 多端，公共层怎么切分没把握。使用方式：让技能基于技术栈覆盖能力给出分层方案与集成模式，并用架构图生成器产出图。实际体验：能较快得到一份可讨论的分层草稿，减少从零设计的时间；注意点是生成的图仍需人工按团队规范复核。

场景四：架构评审材料准备 角色：需向管理层汇报的技术负责人。痛点：评审材料东拼西凑，缺少统一口径。使用方式：先用架构图生成器产出图与质量检查结果，再按参考文档补齐反模式说明与优化策略。实际体验：材料产出速度提升明显，且因为有质量检查环节，图与结构不一致的低级问题减少；注意点是最终结论仍要由人确认。

6. 该技能能为用户带来的价值

• 把经验变成流程：架构模式、系统设计工作流、技术决策三份文档常驻，团队不必每次从零讨论方法论，新人也能照着流程走。
• 减少重复劳动：架构图生成、项目分析、依赖分析三件事交给脚本，原本需要数小时的手工梳理可压缩为一次命令加一轮对话。
• 提升决策可验证性：建议来自对真实项目路径的分析输出，而不是纯文本推测，评审时更站得住脚。
• 降低架构门槛：独立开发者和小团队也能用上体系化的架构方法，不必先招一个资深架构师。
• 长期可维护：内置的代码质量、性能、安全、可维护性最佳实践清单，可以作为团队规范长期复用，形成技术资产沉淀。
• 更容易集成到现有开发流程：脚本化输出天然适合接入 Git 工作流与 CI 环节，与 npm run lint、npm run test、Docker 构建等命令并存不冲突。

7. 常见问题 FAQ

Q1：这个技能怎么安装？需要准备什么？ 在支持技能机制的 AI 编程助手环境中，检索技能名 senior-architect 或技能ID 12142 完成安装/启用；本地需准备 Python 环境，项目侧按需执行 npm install 或 pip install -r requirements.txt。具体安装入口与命令以官方说明为准。

Q2：它是收费的吗？ 技能详情中未包含定价信息，是否收费、是否有免费额度需以官方说明为准。技能本身调用的是本地脚本与文档，运行成本主要来自你所在 AI 环境的使用额度。

Q3：它适合谁用？普通前端开发用得上吗？ 最适合 Tech Lead、架构师和需要做技术决策的开发者。普通前端开发在三种情况下也很值得用：要为一个新项目定目录与分层结构、要接手一个陌生仓库、要向他人解释现有系统如何运作。

Q4：它和通用大模型问答有什么区别？ 通用问答靠模型“回忆”架构知识，结论难以对照现实；这个技能提供可执行的脚本，能针对你的项目路径产出架构图、分析结果与依赖报告，并有三份参考文档作为判断依据，可复核性更强。

Q5：和 draw.io、SonarQube 这类工具怎么选？ 三者职责不同：draw.io 解决“画图”，SonarQube 解决“持续质量度量”，高级架构师Skill 解决“设计与分析一体化”。实际使用中常组合搭配——用技能产出方案与初版架构图，用绘图工具精修，用静态分析工具做长期门禁。