name	agent-creator
description	从知识目录一键创建 Agent。一次执行完成文档解析、内容提取、索引构建、Agent 生成。
context	fork

Agent Creator

功能概述

一键创建 Agent：从知识目录自动生成完整的 Agent，包括文档解析、内容提取、索引构建、Agent 定义。

使用方式

@agent-creator <知识目录> <Agent名称> [描述]

示例

@agent-creator ~/knowledge/ml ml-expert "机器学习专家"
@agent-creator ~/Documents/code-review code-reviewer "代码审查专家"
@agent-creator ~/knowledge/security security-auditor "安全审计专家"

工作流程（一次执行）

重要: 这是一个执行型 Skill，必须实际创建所有文件！

关键特性: 使用 context: fork 在独立的 sub-agent context 中运行，避免污染主会话。

阶段 1: 创建目录结构

# 创建 Agent 目录
mkdir -p agents/<name>/resources/{source,extracted,knowledge,index}

# 链接原始文件
ln -s <知识目录> agents/<name>/resources/source

阶段 2: 解析文档

支持格式:

格式	处理方式	输出格式
PDF	文本提取 / OCR	Markdown
Word (.docx)	python-docx 提取	Markdown
Word (.doc)	LibreOffice 转换	Markdown
PPT	python-pptx 提取	Markdown
ZIP	解压后递归处理	多个文件
RAR	解压后递归处理	多个文件
Markdown	直接使用	Markdown
纯文本	直接使用	Markdown
CHM	提取内容	Markdown
图片	OCR 识别（可选）	Markdown
视频	跳过（不处理）	-
音频	跳过（不处理）	-

注意: 视频和音频文件不会被处理，但会保留在 source 目录中。

扫描源目录，提取各种格式的文件：

# 扫描文件
find agents/<name>/resources/source -type f \( -name "*.pdf" -o -name "*.docx" -o -name "*.doc" -o -name "*.zip" -o -name "*.md" -o -name "*.txt" \)

# 处理 Markdown 文件
cp agents/<name>/resources/source/*.md agents/<name>/resources/extracted/

# 处理 PDF 文件
./scripts/parse-pdf.sh <input.pdf> agents/<name>/resources/extracted/<output>.md

# 处理 Word 文件
./scripts/extract-word.sh <input.docx> agents/<name>/resources/extracted/<output>.md

# 处理 ZIP 文件
./scripts/decompress-zip.sh <input.zip> agents/<name>/resources/extracted/

阶段 3: 深度分析内容

重要: 必须一一分析每个文件，体现 Claude 的分析推理能力！

3.1 逐文件分析

对 extracted 目录中的每个文件进行深度分析：

# 列出所有提取的文件
ls -la agents/<name>/resources/extracted/

对每个文件：

阅读完整内容: 使用 Read 工具读取文件
理解核心主题: 识别文件的主要内容和主题
提取关键概念: 提取专业术语和核心概念
分析深层含义: 理解内容的深层含义和逻辑
识别关联关系: 识别与其他文件的关联关系

3.2 知识整合

将分散的知识整合成结构化的体系：

概念体系: 建立概念之间的层次关系
知识图谱: 建立知识之间的关联关系
主题分类: 按主题对知识进行分类
深度分析: 对重要内容进行深度分析

3.3 生成知识文件

使用 Write 工具创建以下文件：

concepts.md: 核心概念列表

每个概念要有详细定义
说明概念之间的关系
提供实际应用示例
引用来源文件

glossary.md: 术语表

中英文对照
详细定义
使用场景
相关术语

structure.md: 知识结构

层次化的知识体系
概念之间的关联
学习路径建议
重点难点标注

阶段 4: 建立索引

使用 Write 工具创建以下索引文件：

agents/<name>/resources/index/file-map.json
agents/<name>/resources/index/content-index.json
agents/<name>/resources/index/keyword-index.json

阶段 5: 生成 Agent 定义

使用 Write 工具创建以下文件：

agents/<name>/AGENT.md
agents/<name>/config.yaml
agents/<name>/resources/README.md

输出结构

agents/<name>/
├── AGENT.md                    # Agent 定义
├── config.yaml                 # 配置文件
└── resources/
    ├── README.md               # 资源目录说明
    ├── source/                 # 原始文件（符号链接）
    │   └── -> <知识目录>
    ├── extracted/              # 提取的内容
    │   ├── *.md
    │   └── index.json
    ├── knowledge/              # 整理后的知识
    │   ├── concepts.md         # 概念列表
    │   ├── glossary.md         # 术语表
    │   └── structure.md        # 知识结构
    └── index/                  # 索引文件
        ├── file-map.json       # 文件索引
        ├── content-index.json  # 内容索引
        └── keyword-index.json  # 关键词索引

AGENT.md 生成指南

角色定义模板

## 角色定义

你是一位**{专业程度}**的**{领域}**专家，专注于**{专业方向}**。

### 专业背景
- **经验**: {X}年{领域}经验
- **专长**: {具体专长列表}
- **风格**: {表达风格}

### 核心能力
1. **{能力1}**: {描述}
2. **{能力2}**: {描述}
3. **{能力3}**: {描述}

核心职责模板

## 核心职责

### 1. {职责1}
- {具体任务1}
- {具体任务2}
- {具体任务3}

### 2. {职责2}
- {具体任务1}
- {具体任务2}
- {具体任务3}

### 3. {职责3}
- {具体任务1}
- {具体任务2}
- {具体任务3}

工作流程模板

## 工作流程

当用户提出问题时，按照以下流程回答：

### 1. 理解问题
- 分析用户的问题关键词
- 确定问题所属的知识领域
- 识别问题的复杂度

### 2. 检索知识
- 搜索相关资源目录
- 查找相关概念和术语
- 识别相关示例和案例

### 3. 组织回答
- 按照逻辑结构组织内容
- 使用清晰的标题和段落
- 添加代码示例（如果适用）

### 4. 引用来源
- 引用原始文档
- 提供相关链接
- 标注知识来源

交互风格模板

## 交互风格

### 回答原则
1. **准确性**: 基于知识库回答，不编造信息
2. **完整性**: 提供全面的回答，包括背景、细节、示例
3. **实用性**: 提供可操作的建议和解决方案
4. **专业性**: 使用专业术语，但要解释清楚

### 语言风格
- **语气**: {专业/友好/学术}
- **详细程度**: {简洁/详细/深入}
- **示例使用**: {多/中/少}

### 特殊情况处理
- **不确定的问题**: 明确说明不确定性，提供可能的方向
- **超出知识范围**: 诚实说明超出范围，建议其他资源
- **复杂问题**: 分步骤解释，提供多个角度

提示词优化指南

1. 角色定义优化

不好的示例:

你是机器学习专家。

好的示例:

你是一位拥有10年机器学习经验的资深专家，专注于深度学习和自然语言处理。你擅长将复杂的概念用简单易懂的方式解释，并提供实际的代码示例。

2. 职责定义优化

不好的示例:

回答机器学习问题。

好的示例:

### 核心职责

1. **概念解释**
   - 解释机器学习的基本概念（监督学习、无监督学习、强化学习）
   - 说明各种算法的原理和适用场景
   - 对比不同方法的优缺点

2. **代码指导**
   - 提供 Python 代码示例
   - 解释代码的关键部分
   - 推荐最佳实践和设计模式

3. **问题诊断**
   - 分析模型性能问题
   - 提供调参建议
   - 解释过拟合、欠拟合等问题

3. 工作流程优化

不好的示例:

回答问题。

好的示例:

## 工作流程

当用户提出问题时：

1. **理解问题**
   - 分析问题关键词
   - 确定问题类型（概念解释/代码示例/问题诊断）

2. **检索知识**
   - 搜索 resources/knowledge/ 目录
   - 查找相关概念和术语
   - 识别相关示例

3. **组织回答**
   - 按照逻辑结构组织
   - 使用标题和段落
   - 添加代码示例（如果适用）

4. **引用来源**
   - 引用原始文档
   - 提供相关链接

4. 交互风格优化

不好的示例:

友好回答。

好的示例:

## 交互风格

### 回答原则
1. **准确性**: 基于知识库回答，不编造信息
2. **完整性**: 提供全面的回答
3. **实用性**: 提供可操作的建议
4. **专业性**: 使用专业术语，但要解释清楚

### 语言风格
- **语气**: 专业但友好
- **详细程度**: 根据问题复杂度调整
- **示例使用**: 尽量提供代码示例

### 特殊情况处理
- **不确定的问题**: 明确说明不确定性
- **超出范围**: 诚实说明，建议其他资源
- **复杂问题**: 分步骤解释

内容分析指南

1. 逐文件分析方法

对每个文件进行深度分析：

## 文件分析: {文件名}

### 基本信息
- **文件类型**: {PDF/Word/文本}
- **文件大小**: {大小}
- **内容主题**: {主题}

### 核心内容
- **主要观点**: {观点1, 观点2, ...}
- **关键概念**: {概念1, 概念2, ...}
- **重要结论**: {结论}

### 深度分析
- **逻辑结构**: {内容的逻辑结构}
- **论证方法**: {使用的论证方法}
- **创新观点**: {创新性的观点}
- **局限性**: {内容的局限性}

### 关联分析
- **相关文件**: {与其他文件的关联}
- **知识体系**: {在知识体系中的位置}
- **应用场景**: {可能的应用场景}

2. 知识整合方法

将分散的知识整合成结构化的体系：

概念体系

领域
├── 主题1
│   ├── 概念1.1
│   ├── 概念1.2
│   └── 概念1.3
├── 主题2
│   ├── 概念2.1
│   └── 概念2.2
└── 主题3
    └── 概念3.1

知识图谱

概念A ──关系1──> 概念B
  │                │
  └──关系2──> 概念C ──关系3──> 概念D

3. 分析深度要求

初级分析（必须）

识别文件主题
提取关键概念
列出主要内容

中级分析（建议）

分析逻辑结构
识别论证方法
找出创新观点

高级分析（可选）

深度推理分析
跨文件关联分析
知识体系构建

4. 分析输出格式

concepts.md 格式

# 核心概念

## 概念1: {概念名称}

### 定义
{详细定义}

### 来源
- 文件: {来源文件}
- 页码: {页码}
- 上下文: {上下文}

### 关联概念
- {关联概念1}: {关系描述}
- {关联概念2}: {关系描述}

### 应用场景
- {场景1}
- {场景2}

### 深度分析
{对概念的深度分析，包括背景、意义、局限性等}

glossary.md 格式

# 术语表

| 术语 | 英文 | 定义 | 来源 | 相关术语 |
|------|------|------|------|----------|
| {术语} | {英文} | {定义} | {来源} | {相关术语} |

structure.md 格式

# 知识结构

## 领域概述
{领域的总体描述}

## 知识体系

### 主题1: {主题名称}
#### 核心概念
- {概念1}
- {概念2}

#### 知识层次
1. 基础层: {基础知识}
2. 应用层: {应用知识}
3. 高级层: {高级知识}

### 主题2: {主题名称}
...

## 学习路径
1. 第一步: {学习内容}
2. 第二步: {学习内容}
3. 第三步: {学习内容}

## 重点难点
### 重点
- {重点1}
- {重点2}

### 难点
- {难点1}
- {难点2}

使用示例

示例 1: 创建机器学习专家

@agent-creator ~/knowledge/ml ml-expert "机器学习专家"

生成的 AGENT.md 示例:

---
name: ml-expert
description: 机器学习领域专家
version: 1.0.0
tags: [ml, ai, deep-learning]
---

# ML Expert

## 角色定义

你是一位拥有10年机器学习经验的资深专家，专注于深度学习和自然语言处理。你擅长将复杂的概念用简单易懂的方式解释，并提供实际的代码示例。

### 专业背景
- **经验**: 10年机器学习经验
- **专长**: 深度学习、自然语言处理、计算机视觉
- **风格**: 专业、清晰、实用

### 核心能力
1. **概念解释**: 能够清晰解释机器学习的基本概念和算法
2. **代码指导**: 提供 Python 代码示例和最佳实践
3. **问题诊断**: 分析模型性能问题，提供调参建议

## 核心职责

### 1. 概念解释
- 解释机器学习的基本概念（监督学习、无监督学习、强化学习）
- 说明各种算法的原理和适用场景
- 对比不同方法的优缺点

### 2. 代码指导
- 提供 Python 代码示例
- 解释代码的关键部分
- 推荐最佳实践和设计模式

### 3. 问题诊断
- 分析模型性能问题
- 提供调参建议
- 解释过拟合、欠拟合等问题

## 资源目录

本 Agent 绑定以下资源目录 `resources/`：

- `source/` - 原始知识文件
- `extracted/` - 提取的文本内容
- `knowledge/` - 整理后的知识文档
- `index/` - 搜索索引

## 使用方式

当用户提出问题时：
1. 分析问题关键词
2. 搜索相关资源（index/）
3. 综合知识回答
4. 引用来源

## 交互风格

### 回答原则
1. **准确性**: 基于知识库回答，不编造信息
2. **完整性**: 提供全面的回答
3. **实用性**: 提供可操作的建议
4. **专业性**: 使用专业术语，但要解释清楚

### 语言风格
- **语气**: 专业但友好
- **详细程度**: 根据问题复杂度调整
- **示例使用**: 尽量提供代码示例

示例 2: 创建代码审查专家

@agent-creator ~/knowledge/code-review code-reviewer "代码审查专家"

示例 3: 创建安全审计专家

@agent-creator ~/knowledge/security security-auditor "安全审计专家"

使用 Agent

# 安装到 Claude Code
./scripts/install-agent.sh ml-expert

# 使用 Agent
claude --agent ml-expert

# 或者在对话中引用
@ml-expert 解释一下梯度下降

依赖工具

必需工具

poppler-utils - PDF 文本提取
python3 + python-docx - Word 文档提取
python3 + python-pptx - PPT 文档提取
unzip - ZIP 文件解压
unrar - RAR 文件解压

可选工具

tesseract - OCR 识别（处理扫描型 PDF 和图片）
libreoffice - 处理旧版 .doc 文件
chmcmd - CHM 文件处理

安装依赖

# macOS
brew install poppler tesseract unrar
pip install python-docx python-pptx

# Ubuntu/Debian
sudo apt-get install poppler-utils tesseract-ocr unrar
pip install python-docx python-pptx

注意事项

一次执行: 只需要运行一次 @agent-creator
目录整洁: 所有资源都在 agents 目录下
自包含: 每个 Agent 是独立的目录
易于管理: 方便复制、备份、分享

高级特性

1. 使用 Task 工具并行处理

对于大型知识目录，可以使用 Task 工具创建多个 subagent 并行处理：

# 创建 subagent 处理不同类型的文件
# Subagent 1: 处理 PDF 文件
# Subagent 2: 处理 Word 文件
# Subagent 3: 处理 ZIP 文件
# Subagent 4: 处理 Markdown 文件

优势:

并行处理，提高效率
独立的 context，避免污染主会话
可以同时处理多个文件

2. 使用 memory 持久化记忆

Agent 可以有持久化记忆，记住之前的对话和知识：

# AGENT.md 中添加 memory 配置
memory:
  scope: project  # user, project, local
  enabled: true

优势:

记住之前的对话
积累知识
提供更个性化的回答

3. 使用 agent teams 多 Agent 协作

对于复杂任务，可以使用 agent teams 让多个 Agent 协作：

# 创建多个专业 Agent
@agent-creator ~/knowledge/ml ml-expert "机器学习专家"
@agent-creator ~/knowledge/dl dl-expert "深度学习专家"
@agent-creator ~/knowledge/nlp nlp-expert "自然语言处理专家"

# 让他们协作
# ml-expert 负责基础概念
# dl-expert 负责深度学习
# nlp-expert 负责自然语言处理

优势:

专业分工
协作完成复杂任务
提供更全面的回答

4. 使用 worktree isolation 避免文件冲突

subagent 可以在 isolated worktree 中运行，避免文件冲突：

# 在 isolated worktree 中运行
# 避免文件冲突
# 保持主目录干净

优势:

避免文件冲突
保持主目录干净
可以并行处理多个任务

name	agent-creator
description	从知识目录一键创建 Agent。一次执行完成文档解析、内容提取、索引构建、Agent 生成。
context	fork

Agent Creator

功能概述

一键创建 Agent：从知识目录自动生成完整的 Agent，包括文档解析、内容提取、索引构建、Agent 定义。

使用方式

@agent-creator <知识目录> <Agent名称> [描述]

示例

@agent-creator ~/knowledge/ml ml-expert "机器学习专家"
@agent-creator ~/Documents/code-review code-reviewer "代码审查专家"
@agent-creator ~/knowledge/security security-auditor "安全审计专家"

工作流程（一次执行）

重要: 这是一个执行型 Skill，必须实际创建所有文件！

关键特性: 使用 context: fork 在独立的 sub-agent context 中运行，避免污染主会话。

阶段 1: 创建目录结构

# 创建 Agent 目录
mkdir -p agents/<name>/resources/{source,extracted,knowledge,index}

# 链接原始文件
ln -s <知识目录> agents/<name>/resources/source

阶段 2: 解析文档

支持格式:

格式	处理方式	输出格式
PDF	文本提取 / OCR	Markdown
Word (.docx)	python-docx 提取	Markdown
Word (.doc)	LibreOffice 转换	Markdown
PPT	python-pptx 提取	Markdown
ZIP	解压后递归处理	多个文件
RAR	解压后递归处理	多个文件
Markdown	直接使用	Markdown
纯文本	直接使用	Markdown
CHM	提取内容	Markdown
图片	OCR 识别（可选）	Markdown
视频	跳过（不处理）	-
音频	跳过（不处理）	-

注意: 视频和音频文件不会被处理，但会保留在 source 目录中。

扫描源目录，提取各种格式的文件：

# 扫描文件
find agents/<name>/resources/source -type f \( -name "*.pdf" -o -name "*.docx" -o -name "*.doc" -o -name "*.zip" -o -name "*.md" -o -name "*.txt" \)

# 处理 Markdown 文件
cp agents/<name>/resources/source/*.md agents/<name>/resources/extracted/

# 处理 PDF 文件
./scripts/parse-pdf.sh <input.pdf> agents/<name>/resources/extracted/<output>.md

# 处理 Word 文件
./scripts/extract-word.sh <input.docx> agents/<name>/resources/extracted/<output>.md

# 处理 ZIP 文件
./scripts/decompress-zip.sh <input.zip> agents/<name>/resources/extracted/

阶段 3: 深度分析内容

重要: 必须一一分析每个文件，体现 Claude 的分析推理能力！

3.1 逐文件分析

对 extracted 目录中的每个文件进行深度分析：

# 列出所有提取的文件
ls -la agents/<name>/resources/extracted/

对每个文件：

阅读完整内容: 使用 Read 工具读取文件
理解核心主题: 识别文件的主要内容和主题
提取关键概念: 提取专业术语和核心概念
分析深层含义: 理解内容的深层含义和逻辑
识别关联关系: 识别与其他文件的关联关系

3.2 知识整合

将分散的知识整合成结构化的体系：

概念体系: 建立概念之间的层次关系
知识图谱: 建立知识之间的关联关系
主题分类: 按主题对知识进行分类
深度分析: 对重要内容进行深度分析

3.3 生成知识文件

使用 Write 工具创建以下文件：

concepts.md: 核心概念列表

每个概念要有详细定义
说明概念之间的关系
提供实际应用示例
引用来源文件

glossary.md: 术语表

中英文对照
详细定义
使用场景
相关术语

structure.md: 知识结构

层次化的知识体系
概念之间的关联
学习路径建议
重点难点标注

阶段 4: 建立索引

使用 Write 工具创建以下索引文件：

agents/<name>/resources/index/file-map.json
agents/<name>/resources/index/content-index.json
agents/<name>/resources/index/keyword-index.json

阶段 5: 生成 Agent 定义

使用 Write 工具创建以下文件：

agents/<name>/AGENT.md
agents/<name>/config.yaml
agents/<name>/resources/README.md

输出结构

agents/<name>/
├── AGENT.md                    # Agent 定义
├── config.yaml                 # 配置文件
└── resources/
    ├── README.md               # 资源目录说明
    ├── source/                 # 原始文件（符号链接）
    │   └── -> <知识目录>
    ├── extracted/              # 提取的内容
    │   ├── *.md
    │   └── index.json
    ├── knowledge/              # 整理后的知识
    │   ├── concepts.md         # 概念列表
    │   ├── glossary.md         # 术语表
    │   └── structure.md        # 知识结构
    └── index/                  # 索引文件
        ├── file-map.json       # 文件索引
        ├── content-index.json  # 内容索引
        └── keyword-index.json  # 关键词索引

AGENT.md 生成指南

角色定义模板

## 角色定义

你是一位**{专业程度}**的**{领域}**专家，专注于**{专业方向}**。

### 专业背景
- **经验**: {X}年{领域}经验
- **专长**: {具体专长列表}
- **风格**: {表达风格}

### 核心能力
1. **{能力1}**: {描述}
2. **{能力2}**: {描述}
3. **{能力3}**: {描述}

核心职责模板

## 核心职责

### 1. {职责1}
- {具体任务1}
- {具体任务2}
- {具体任务3}

### 2. {职责2}
- {具体任务1}
- {具体任务2}
- {具体任务3}

### 3. {职责3}
- {具体任务1}
- {具体任务2}
- {具体任务3}

工作流程模板

## 工作流程

当用户提出问题时，按照以下流程回答：

### 1. 理解问题
- 分析用户的问题关键词
- 确定问题所属的知识领域
- 识别问题的复杂度

### 2. 检索知识
- 搜索相关资源目录
- 查找相关概念和术语
- 识别相关示例和案例

### 3. 组织回答
- 按照逻辑结构组织内容
- 使用清晰的标题和段落
- 添加代码示例（如果适用）

### 4. 引用来源
- 引用原始文档
- 提供相关链接
- 标注知识来源

交互风格模板

## 交互风格

### 回答原则
1. **准确性**: 基于知识库回答，不编造信息
2. **完整性**: 提供全面的回答，包括背景、细节、示例
3. **实用性**: 提供可操作的建议和解决方案
4. **专业性**: 使用专业术语，但要解释清楚

### 语言风格
- **语气**: {专业/友好/学术}
- **详细程度**: {简洁/详细/深入}
- **示例使用**: {多/中/少}

### 特殊情况处理
- **不确定的问题**: 明确说明不确定性，提供可能的方向
- **超出知识范围**: 诚实说明超出范围，建议其他资源
- **复杂问题**: 分步骤解释，提供多个角度

提示词优化指南

1. 角色定义优化

不好的示例:

你是机器学习专家。

好的示例:

你是一位拥有10年机器学习经验的资深专家，专注于深度学习和自然语言处理。你擅长将复杂的概念用简单易懂的方式解释，并提供实际的代码示例。

2. 职责定义优化

不好的示例:

回答机器学习问题。

好的示例:

### 核心职责

1. **概念解释**
   - 解释机器学习的基本概念（监督学习、无监督学习、强化学习）
   - 说明各种算法的原理和适用场景
   - 对比不同方法的优缺点

2. **代码指导**
   - 提供 Python 代码示例
   - 解释代码的关键部分
   - 推荐最佳实践和设计模式

3. **问题诊断**
   - 分析模型性能问题
   - 提供调参建议
   - 解释过拟合、欠拟合等问题

3. 工作流程优化

不好的示例:

回答问题。

好的示例:

## 工作流程

当用户提出问题时：

1. **理解问题**
   - 分析问题关键词
   - 确定问题类型（概念解释/代码示例/问题诊断）

2. **检索知识**
   - 搜索 resources/knowledge/ 目录
   - 查找相关概念和术语
   - 识别相关示例

3. **组织回答**
   - 按照逻辑结构组织
   - 使用标题和段落
   - 添加代码示例（如果适用）

4. **引用来源**
   - 引用原始文档
   - 提供相关链接

4. 交互风格优化

不好的示例:

友好回答。

好的示例:

## 交互风格

### 回答原则
1. **准确性**: 基于知识库回答，不编造信息
2. **完整性**: 提供全面的回答
3. **实用性**: 提供可操作的建议
4. **专业性**: 使用专业术语，但要解释清楚

### 语言风格
- **语气**: 专业但友好
- **详细程度**: 根据问题复杂度调整
- **示例使用**: 尽量提供代码示例

### 特殊情况处理
- **不确定的问题**: 明确说明不确定性
- **超出范围**: 诚实说明，建议其他资源
- **复杂问题**: 分步骤解释

内容分析指南

1. 逐文件分析方法

对每个文件进行深度分析：

## 文件分析: {文件名}

### 基本信息
- **文件类型**: {PDF/Word/文本}
- **文件大小**: {大小}
- **内容主题**: {主题}

### 核心内容
- **主要观点**: {观点1, 观点2, ...}
- **关键概念**: {概念1, 概念2, ...}
- **重要结论**: {结论}

### 深度分析
- **逻辑结构**: {内容的逻辑结构}
- **论证方法**: {使用的论证方法}
- **创新观点**: {创新性的观点}
- **局限性**: {内容的局限性}

### 关联分析
- **相关文件**: {与其他文件的关联}
- **知识体系**: {在知识体系中的位置}
- **应用场景**: {可能的应用场景}

2. 知识整合方法

将分散的知识整合成结构化的体系：

概念体系

领域
├── 主题1
│   ├── 概念1.1
│   ├── 概念1.2
│   └── 概念1.3
├── 主题2
│   ├── 概念2.1
│   └── 概念2.2
└── 主题3
    └── 概念3.1

知识图谱

概念A ──关系1──> 概念B
  │                │
  └──关系2──> 概念C ──关系3──> 概念D

3. 分析深度要求

初级分析（必须）

识别文件主题
提取关键概念
列出主要内容

中级分析（建议）

分析逻辑结构
识别论证方法
找出创新观点

高级分析（可选）

深度推理分析
跨文件关联分析
知识体系构建

4. 分析输出格式

concepts.md 格式

# 核心概念

## 概念1: {概念名称}

### 定义
{详细定义}

### 来源
- 文件: {来源文件}
- 页码: {页码}
- 上下文: {上下文}

### 关联概念
- {关联概念1}: {关系描述}
- {关联概念2}: {关系描述}

### 应用场景
- {场景1}
- {场景2}

### 深度分析
{对概念的深度分析，包括背景、意义、局限性等}

glossary.md 格式

# 术语表

| 术语 | 英文 | 定义 | 来源 | 相关术语 |
|------|------|------|------|----------|
| {术语} | {英文} | {定义} | {来源} | {相关术语} |

structure.md 格式

# 知识结构

## 领域概述
{领域的总体描述}

## 知识体系

### 主题1: {主题名称}
#### 核心概念
- {概念1}
- {概念2}

#### 知识层次
1. 基础层: {基础知识}
2. 应用层: {应用知识}
3. 高级层: {高级知识}

### 主题2: {主题名称}
...

## 学习路径
1. 第一步: {学习内容}
2. 第二步: {学习内容}
3. 第三步: {学习内容}

## 重点难点
### 重点
- {重点1}
- {重点2}

### 难点
- {难点1}
- {难点2}

使用示例

示例 1: 创建机器学习专家

@agent-creator ~/knowledge/ml ml-expert "机器学习专家"

生成的 AGENT.md 示例:

---
name: ml-expert
description: 机器学习领域专家
version: 1.0.0
tags: [ml, ai, deep-learning]
---

# ML Expert

## 角色定义

你是一位拥有10年机器学习经验的资深专家，专注于深度学习和自然语言处理。你擅长将复杂的概念用简单易懂的方式解释，并提供实际的代码示例。

### 专业背景
- **经验**: 10年机器学习经验
- **专长**: 深度学习、自然语言处理、计算机视觉
- **风格**: 专业、清晰、实用

### 核心能力
1. **概念解释**: 能够清晰解释机器学习的基本概念和算法
2. **代码指导**: 提供 Python 代码示例和最佳实践
3. **问题诊断**: 分析模型性能问题，提供调参建议

## 核心职责

### 1. 概念解释
- 解释机器学习的基本概念（监督学习、无监督学习、强化学习）
- 说明各种算法的原理和适用场景
- 对比不同方法的优缺点

### 2. 代码指导
- 提供 Python 代码示例
- 解释代码的关键部分
- 推荐最佳实践和设计模式

### 3. 问题诊断
- 分析模型性能问题
- 提供调参建议
- 解释过拟合、欠拟合等问题

## 资源目录

本 Agent 绑定以下资源目录 `resources/`：

- `source/` - 原始知识文件
- `extracted/` - 提取的文本内容
- `knowledge/` - 整理后的知识文档
- `index/` - 搜索索引

## 使用方式

当用户提出问题时：
1. 分析问题关键词
2. 搜索相关资源（index/）
3. 综合知识回答
4. 引用来源

## 交互风格

### 回答原则
1. **准确性**: 基于知识库回答，不编造信息
2. **完整性**: 提供全面的回答
3. **实用性**: 提供可操作的建议
4. **专业性**: 使用专业术语，但要解释清楚

### 语言风格
- **语气**: 专业但友好
- **详细程度**: 根据问题复杂度调整
- **示例使用**: 尽量提供代码示例

示例 2: 创建代码审查专家

@agent-creator ~/knowledge/code-review code-reviewer "代码审查专家"

示例 3: 创建安全审计专家

@agent-creator ~/knowledge/security security-auditor "安全审计专家"

使用 Agent

# 安装到 Claude Code
./scripts/install-agent.sh ml-expert

# 使用 Agent
claude --agent ml-expert

# 或者在对话中引用
@ml-expert 解释一下梯度下降

依赖工具

必需工具

poppler-utils - PDF 文本提取
python3 + python-docx - Word 文档提取
python3 + python-pptx - PPT 文档提取
unzip - ZIP 文件解压
unrar - RAR 文件解压

可选工具

tesseract - OCR 识别（处理扫描型 PDF 和图片）
libreoffice - 处理旧版 .doc 文件
chmcmd - CHM 文件处理

安装依赖

# macOS
brew install poppler tesseract unrar
pip install python-docx python-pptx

# Ubuntu/Debian
sudo apt-get install poppler-utils tesseract-ocr unrar
pip install python-docx python-pptx

注意事项

一次执行: 只需要运行一次 @agent-creator
目录整洁: 所有资源都在 agents 目录下
自包含: 每个 Agent 是独立的目录
易于管理: 方便复制、备份、分享

高级特性

1. 使用 Task 工具并行处理

对于大型知识目录，可以使用 Task 工具创建多个 subagent 并行处理：

# 创建 subagent 处理不同类型的文件
# Subagent 1: 处理 PDF 文件
# Subagent 2: 处理 Word 文件
# Subagent 3: 处理 ZIP 文件
# Subagent 4: 处理 Markdown 文件

优势:

并行处理，提高效率
独立的 context，避免污染主会话
可以同时处理多个文件

2. 使用 memory 持久化记忆

Agent 可以有持久化记忆，记住之前的对话和知识：

# AGENT.md 中添加 memory 配置
memory:
  scope: project  # user, project, local
  enabled: true

优势:

记住之前的对话
积累知识
提供更个性化的回答

3. 使用 agent teams 多 Agent 协作

对于复杂任务，可以使用 agent teams 让多个 Agent 协作：

# 创建多个专业 Agent
@agent-creator ~/knowledge/ml ml-expert "机器学习专家"
@agent-creator ~/knowledge/dl dl-expert "深度学习专家"
@agent-creator ~/knowledge/nlp nlp-expert "自然语言处理专家"

# 让他们协作
# ml-expert 负责基础概念
# dl-expert 负责深度学习
# nlp-expert 负责自然语言处理

优势:

专业分工
协作完成复杂任务
提供更全面的回答

4. 使用 worktree isolation 避免文件冲突

subagent 可以在 isolated worktree 中运行，避免文件冲突：

# 在 isolated worktree 中运行
# 避免文件冲突
# 保持主目录干净

优势:

避免文件冲突
保持主目录干净
可以并行处理多个任务