القائمة
基于现有架构创建或审查编码规则文档（CLAUDE.md）。用于两种场景：(1) 审查现有规则 - 检查是否符合要求（无教学性内容、有明确约束、无重复内容、符合架构）；(2) 创建新规则 - 依据当前架构和现有代码，预测 AI 可能的错误行为，选择最佳实践并编写规则。触发词：审查规则、检查 CLAUDE.md、创建规则、写规则、为 X 创建 CLAUDE.md、规则文档。
التثبيت باستخدام Codex أو Claude انسخ هذا Prompt والصقه في Codex أو Claude أو مساعد آخر ليراجع صفحة Skill ويثبّتها لك.
استنادا إلى تصنيف SOC المهني
为 AI Agent 创建元规则和领域知识，帮助用户在不熟悉领域建立 Agent 的思考方式和行为准则。专注于抽象的行事风格而非具体技术约束。适用场景：(1) 创建新 Agent 缺少行为准则，(2) 更新现有 Agent 的元规则或知识，(3) 用户不熟悉目标领域需要搜索最佳实践，(4) 希望 Agent 跨项目保持一致工作风格。
记录 AI 犯错或可改进点，生成可复用的学习资产。支持两种模式：(1) 当前会话 - 会话结束时触发，引导用户回顾本次会话中的纠正和可改进点；(2) 指定会话 - 通过 session_id 或 JSONL 文件路径分析历史会话。存储位置：D:\desktop\quackDocs\my_notes\ai_mistake\（index.md 索引 + records.md 实体）。触发词：记录错误、记录问题、AI 错误记录、会话总结、记录教训、record mistakes。
记录 AI 犯错或可改进点，生成可复用的学习资产。支持两种模式：(1) 当前会话 - 会话结束时触发，引导用户回顾本次会话中的纠正和可改进点；(2) 指定会话 - 通过 session_id 或 JSONL 文件路径分析历史会话。存储位置：D:\desktop\quackDocs\my_notes\ai_bug_history\（index.md 索引 + records.md 实体）。触发词：记录错误、记录问题、AI 错误记录、会话总结、记录教训、record mistakes。
指导 Manager 设计和创建 Loop 循环。当 Manager 需要创建自动化循环（如 Executor-Reviewer、Writer-Editor 模式）时使用。 提供完整的设计流程：需求澄清 → 节点设计 → 用户确认 → Subagent 验证 → 创建循环。 确保循环提示词质量，避免因上下文设计不当导致循环失败。 触发词：创建循环、loop、循环设计、迭代执行、自动审查。
记录架构决策（ADR）。触发条件：(1) 艰难选择——在方案间纠结、选了A但B也有优势、知道有副作用 (2) 重构/重大修改后——改了3+次才定方案、每次改有新考虑 (3) 奇怪代码——被问"为什么这样写"、审查被质疑、自己回看也觉得奇怪 (4) 用户做出重大决策或出现决策疑问
Grilling session that challenges your plan against the existing domain model, sharpens terminology, and updates documentation (CONTEXT.md, ADRs) inline as decisions crystallise. Use when user wants to stress-test a plan against their project's language and documented decisions.
| name | write-project-rules |
| description | 基于现有架构创建或审查编码规则文档（CLAUDE.md）。用于两种场景：(1) 审查现有规则 - 检查是否符合要求（无教学性内容、有明确约束、无重复内容、符合架构）；(2) 创建新规则 - 依据当前架构和现有代码，预测 AI 可能的错误行为，选择最佳实践并编写规则。触发词：审查规则、检查 CLAUDE.md、创建规则、写规则、为 X 创建 CLAUDE.md、规则文档。 |
基于现有架构创建或审查编码规则文档（CLAUDE.md）。
创建模式必须满足（否则提示用户）：
docs/ARCHITECTURE.md？如果都没有： → 提示："需要先确定架构，建议先阅读或创建 docs/ARCHITECTURE.md"
if 用户提供了现有规则文件路径：
→ 进入审查模式
else：
→ 进入创建模式
python scripts/check_line_count.py <project-root>
硬性指标：所有 CLAUDE.md 和 docs/coding-rules/ 下的 md 文档 ≤ 200 行
使用 references/audit-checklist.md 中的审查清单：
## 审查报告：<文件路径>
### ✅ 符合要求
- <列出符合要求的部分>
### ❌ 需要修改
1. <问题描述>（第 X-Y 行）
- 建议：<修改建议>
### 📊 统计
- 当前行数：X 行
- 建议行数：≤ 200 行
- 需要删除：约 Y 行
发现 X 处需要修改的问题，是否立即修改？
- 是 → 执行修改
- 否 → 结束
首先使用 TaskCreate 创建任务清单，将后续步骤分解为可追踪的任务：
示例任务清单：
1. 理解架构（读取 ARCHITECTURE.md、现有代码）
2. 收集错误记录（仓库 bugs + 用户 AI 犯错记录）
3. 并行分析（历史错误分析 + 架构约束预测）
4. 综合分析结果，输出规则方案
5. 用户确认规则
6. 创建规则文档
7. 审查规则
8. 写入文件
9. 最终验证
读取：
提取架构约束清单：
## 架构约束清单（从 ARCHITECTURE.md 提取）
### 依赖方向
- components → hooks → store → core
### 模块隔离
- features 之间禁止直接依赖
### 数据流向
- 单向数据流（store → components）
### 职责分离
- 组件只负责 UI，业务逻辑在 hooks
目的：通过分析 AI 历史犯错记录，让规则更具针对性
数据来源：
仓库 Bug 记录（默认路径：docs/history-bugs/）
index.md 获取 bug 列表.md 文件提取错误模式用户 AI 犯错记录（可选）
D:\desktop\quackDocs\my_notes\ai_misktake交互方式：
是否有额外的 AI 犯错记录？
- 使用默认路径（D:\desktop\quackDocs\my_notes\ai_msiktake）
- 提供自定义路径
- 跳过（仅使用仓库 bug 记录）
分析方法：
从错误记录中提取：
输出错误模式清单：
## AI 错误模式清单
### 高频错误（必须制定规则）
#### 1. AI 自作主张添加未定义逻辑
- **来源**：docs/history-bugs/2026-06-05-agent-cwd-unspeced-logic.md
- **触发条件**：spec/plan 未明确定义时
- **错误示例**：
```python
# ❌ AI 自行发明「首字母+末尾数字」拼接逻辑
cwd = project_path + "/" + name[0] + name[-1]
# ❌ AI 在路由中直接创建新实例
manager = GroupChatManager()
get_group_chat_manager()# ❌ 直接更新，不检查是否变化
def update_status(self, new_status):
self.status = new_status
self.save()
if self.status != new_status
### 2. 临时规则建立方法（输出给用户审查）
**核心思路**：综合历史错误记录和架构约束预测，制定全面的规则
**规则设计原则**：
1. **减少 AI 的动作空间**：规则的目的是限制 AI 的选择，避免"有多种实现方式"的情况
2. **反面规则优于正面规则**：
- ✅ 好："❌ 禁止在 components 中直接调用 API"（明确禁止）
- ❌ 差："✅ 应该通过 hooks 调用 API"（仍有多种实现方式）
3. **统一范式**：规则的目的是让 AI 编写具有统一范式的代码，而不是任凭 AI 发挥
4. **综合分析**：历史错误和架构预测同等重要，两者综合决策
#### 2.1 分析现有代码和错误记录
**代码模式扫描**：
扫描目标目录下的代码，识别代码模式：
- 组件如何调用 API？
- Store 如何管理状态？
- 模块之间如何通信？
**错误记录整合**：
- 将步骤 1.5 中的「AI 错误模式清单」与代码模式对照
- 为 Subagent A 提供历史错误数据
#### 2.2 并行分析：预测 AI 可能的错误行为
**派出两个 Subagent 并行分析**：
使用 Agent 工具同时派出两个 subagent，从不同角度分析：
**Subagent A：历史错误分析**
任务：分析历史错误记录，提取 AI 常见错误模式 输入：
输出：
**Subagent B：架构约束预测**
任务：基于架构约束，预测 AI 可能犯的错误 输入：
输出：
**等待两个 subagent 完成后**，综合两个分析结果：
```markdown
## 综合分析结果
### 来自历史错误（Subagent A）
- 高频错误 1：...
- 高频错误 2：...
### 来自架构预测（Subagent B）
- 潜在错误 1：...
- 潜在错误 2：...
### 综合规则建议
- 规则 1：综合 A 和 B 的分析...
- 规则 2：...
综合原则：
## 临时规则方案（请审查）
### 🔴 强制规则
#### 1. 禁止 feature 之间直接依赖
- **来源**：ARCHITECTURE.md 第 23 行
- **AI 可能的错误**：
```typescript
// ❌ AI 可能会这样写
import { SessionList } from '@/features/session/components/SessionList';
// ❌ AI 可能会这样写
function ChatWindow() {
wsManager.send(...);
}
// ❌ AI 可能会这样写
const useStore = create((set) => ({
sendMessage: (text) => {
wsManager.send(text); // 副作用
},
}));
// ❌ AI 可能会这样写
function useChat() {
const sendMessage = (text) => { ... }; // 每次重新创建
}
❓ 是否接受这些规则？
等待用户反馈，根据反馈调整规则
使用 docs/temp/rule-template.md 中的模板，填充内容：
派出 subagent，使用审查模式的审查清单审查临时规则
判断高频 vs 低频：
问题："如果 AI 不看这条规则，会不会写出不符合架构的代码？"
重复内容检测：
层级检查：
编写对应的文件位置的CLAUDE.md（如果需要），和docs/coding-rules下的文件
python scripts/check_line_count.py <project-root>
确保新创建的文件 ≤ 200 行
再次派出 subagent，使用审查模式审查新创建的规则
✅ 规则创建完成
## 创建的文件
- <path>/CLAUDE.md (X 行)
## 规则来源
- 架构约束：X 条（从 ARCHITECTURE.md）
- 现有代码风格：X 条
- 最佳实践：X 条
## 审查结果
- ✅ 无教学性内容
- ✅ 有明确的 ✅/❌ 示例
- ✅ 无重复内容
- ✅ 符合架构约束
- ✅ 行数符合要求（X/200 行）
> 上级规则：[../CLAUDE.md]references/audit-checklist.md - 完整的审查清单references/rule-template.md - 规则文档模板和反模式示例scripts/check_line_count.py - 行数检查脚本