BaoBao1996121 专家索引
帮助用户找到最合适的领域专家，提供智能路由服务。
使用方式
当你不确定该问哪个专家时，描述你的问题，我会推荐合适的专家。
专家分层架构
┌─────────────────────────────────────────────────────────────┐
│ 专家四层路由架构 │
└─────────────────────────────────────────────────────────────┘
【Layer 1】工作流专家 - 研发阶段驱动
pbi-reviewer, roundtable-debate, coding-agent
↓
【Layer 2】应用业务专家 (Layer 4 代码) - 应用特定业务
{app-prefix}-*-expert
↓ 继承/扩展 or 独立
【Layer 3】平台模块专家 (Layer 3 代码) - 通用平台能力
{{PLATFORM_REPO}}-roi-expert, {{PLATFORM_REPO}}-suv-expert, {{PLATFORM_REPO}}-layout-expert
↓
【Layer 4】平台框架知识 - 已整合到各专家中
🔑 关键判断：应用专家 vs 平台专家
| 用户问题特征 | 推荐专家类型 | 示例 |
|---|---|---|
| 提到具体应用名 | 应用专家 | app-[模块名]-expert |
| 提到业务场景关键词 | 应用专家 | 匹配触发词最相关的专家 |
| 问"应用中的XXX"或"当前项目" | 应用专家 | 根据功能匹配 |
| 问"平台组件"或"框架" | 平台专家 | {{PLATFORM_REPO}}-[模块名]-expert |
| 未指定应用，问通用功能 | 使用 ask_questions 对话框先问用户确认 | ROI→先确认是应用还是平台（header: "专家类型"，选项: 应用专家/平台专家） |
路由策略（四层优先级）
AI 执行此 skill 时，按以下优先级查找专家：
0️⃣ 应用上下文识别（新增）
首先判断用户当前工作区属于哪个应用：
1. 检查工作区名称 → 优先匹配对应应用的域专家
2. 检查 user_preferences.json 的 last_target_path
3. 如果明确在某应用上下文，同类问题优先推荐该应用的专家
1️⃣ 扫描 Skills 目录（唯一数据源）
🔴 扫描 .github/skills/*/SKILL.md 的 frontmatter
# 执行方式
for skill_dir in list_dir(".github/skills/"):
if skill_dir.startswith("_"): # 跳过 _templates 等
continue
skill_md = read_file(f".github/skills/{skill_dir}/SKILL.md")
# 解析 YAML frontmatter 中的 name 和 description
# description 包含触发关键词
⚠️ 触发关键词在每个 SKILL.md 的 description 字段中定义
格式示例:
触发关键词: ROI、轮廓、测量、标注
匹配方式:
- 解析每个 SKILL.md 的
description字段 - 提取"触发关键词:"后面的词汇
- 用户问题与触发词进行正则匹配（忽略大小写）
2️⃣ 分类优先级
匹配到多个专家时，按以下优先级排序：
- 工作流专家 - pbi-reviewer、coding-agent、platform-architecture
- 应用专家 - app-*-expert（与当前工作区匹配时优先）
- 平台专家 - {{PLATFORM_REPO}}-*-expert
- 工具专家 - 其他辅助工具
3️⃣ 用户确认（多选情况）
如果匹配到多个专家，使用 ask_questions 对话框列出候选让用户选择：
- header: "专家选择"
- question: "匹配到多个专家，请选择最匹配的"
- 选项: 每个候选专家作为一个选项，最相关的标记为 recommended
动态发现机制
AI 执行此 skill 时，请先扫描 .github/skills/ 目录获取最新的专家列表。
扫描方式:
- 读取
.github/skills/*/SKILL.md文件 - 解析 YAML frontmatter 中的
name和description - 根据 description 中的触发词进行匹配
这样用户添加新 skill 后，无需手动更新此索引。
内置工作流 Skills (研发阶段)
按研发流程顺序使用:
| Skill | 触发词 | 说明 |
|---|---|---|
#platform-architecture |
平台、组件、架构、框架 | 🆕 首先识别代码层级，避免混淆平台和应用代码 |
#pbi-reviewer |
需求返讲、评审需求、分析需求、看PBI | 需求分析、返讲流程和文档生成 |
#coding-agent |
开发、实现、编码、按设计实现 | 设计驱动编码、逐任务自动实现 |
⚠️ 重要提示：先识别代码层级
当用户问到 平台、组件、平台 相关问题时：
- 先参考
#platform-architecture确定代码在哪个仓库 - {{PLATFORM_REPO}} = 平台层代码，需通过 MCP DevOps 搜索
- app-* = 应用层代码，在当前工作区搜索
领域专家 Skills (动态加载)
注意: 以下是常见的领域专家示例。实际可用专家请扫描
.github/skills/目录。 用户可以通过将专家 skill 复制到 skills 目录来扩展。
常见关键词 → 专家映射
# 数据管理
DICOM|数据加载|PA加载 → dataload 相关专家
保存|导出|截图|发送 → datasave 相关专家
联动|同步|翻页 → datalinkage 相关专家
# 图像显示
布局|Layout|Cell → layout 相关专家
窗宽窗位|缩放|平移 → imagetools 相关专家
伪彩|调色板|LUT → palette 相关专家
VRT|3D|体绘制 → vrt 相关专家
Cine|播放|动画 → cine 相关专家
# 测量分析
ROI|轮廓|测量|标注 → roi 相关专家
VOI|组织|分割|病灶 → tissue 相关专家
SUV|PET|摄取值 → suv 相关专家
密度|HU值|CT值 → density 相关专家
# 框架架构
Workflow|WorkStep|BE层 → be-framework 相关专家
ViewModel|Command|FE层|WPF → fe-framework 相关专家
TypeScript|Vue|WebFE → webfe-framework 相关专家
📱 应用层域专家 (Layer 4)
以下是应用层的业务域专家示例。实际可用专家请扫描
.github/skills/目录。 使用#app-skill-wizard可以交互式创建新的域专家。
| 专家 | 触发词 | 说明 |
|---|---|---|
#app-[模块名]-expert |
[业务关键词] | [模块功能描述] |
应用专家使用示例
用户: [某业务功能]怎么实现的?
AI执行:
1. 匹配关键词 → 对应的域专家
2. 读取专家 Skill 获取模块知识
3. 在 src/ 目录搜索相关代码
执行流程
用户问题
↓
1. 【SKILL.md 扫描】读取 .github/skills/ 目录下各 SKILL.md 的 YAML frontmatter
↓
2. 【description 匹配】根据 description 字段的触发词匹配用户问题
↓
3. 【返回结果】推荐专家列表，多选时使用 ask_questions 对话框让用户确认
- header: "专家推荐"
- question: "为您推荐以下专家，请选择"
- 选项: 各候选专家（最匹配的标记为 recommended）
⚠️ 注意: Skill 触发词定义在各 SKILL.md 的 YAML frontmatter 中。 PBI CSV 路径等敏感配置存储在
data/user_preferences.json（已 .gitignore 排除）。
使用示例
示例1: 不确定问哪个专家
用户: 病灶分割的代码在哪里?
AI执行:
1. 扫描 skills 目录
2. 匹配关键词 "病灶|分割" → tissue 相关
3. 推荐找到的 tissue 专家 + coding-agent
示例2: 查看所有专家
用户: 有哪些专家可以用?
AI执行:
1. 扫描 skills 目录
2. 列出所有找到的专家及其触发词
维护说明
唯一真相源: 此文件是专家列表的唯一维护点。
添加新专家:
- 将专家 skill 文件夹复制到
.github/skills/ - 确保 SKILL.md 有正确的 YAML frontmatter (name, description, 触发关键词)
- 无需手动更新此索引 - AI 会动态发现
其他 skill 如何获取专家:
- 不要硬编码专家列表
- 使用 "请参考
#expert-index" 引导用户
用户问题: {{ input }}