القائمة
Python 开发偏好指南。当进行 Python 开发、代码重构、问题修复、类型标注、错误处理等任务时使用此 skill。AI 会根据用户的历史偏好记录，自动采用用户偏好的方案和风格。触发词：Python开发、写Python代码、Python重构、Python问题修复、mypy修复。
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
垂直领域搜索和批量并行搜索。当通用搜索（tavily）无法满足时使用。 触发场景： 1. 金融数据——股票代码、汇率、行情（finance.us_stock / cn_stock / forex） 2. 学术检索——论文、DOI（academic.search / academic.biomedical） 3. 安全漏洞——CVE、文件哈希、IP/域名扫描（security.scan / security.cve） 4. 法律、专利、教育、健康等其他垂直领域 5. 批量并行搜索——同时查 2-5 个独立问题 6. 中国国内信息——A 股、国内资讯（需 zone=cn） 触发词："股票"、"行情"、"汇率"、"CVE"、"漏洞"、"论文"、"DOI"、 "学术"、"专利"、"批量搜索"、"A股"、"anysearch"。 不触发场景：通用 web 搜索、新闻浏览、代码搜索、网页内容提取、网站爬取—— 这些由 tavily skill 处理。
Use when starting a new Remotion video project, adding scenes to an existing video, or converting a script into a video. Handles creative direction, script review, scene planning, pronunciation pre-check, segment-based voiceover generation, subtitle-based timeline calculation, and produces a complete design spec. Required before remotion-video-development. Also handles voiceover generation and timeline alignment via remotion-tools scripts.
Use when implementing Remotion video scenes from an approved design spec. Executes scene-by-scene with flex-first layout, subtitle-based timing, multi-segment audio playback, and per-scene verification. Requires completed design from remotion-video-design. Also use when regenerating voiceover segments, fixing pronunciation, or re-aligning timeline.
思维框架，帮助跳出局部修补的循环。两种触发模式。 模式一（用户主动）：当用户说"rethink"、"重新思考"、 "跳出来看"、"全局视角"、"这个问题我们是不是想错了"时加载， 直接进入完整分析。 模式二（AI 提议）：当你检测到以下信号时， 在回复末尾加一句提议 "我觉得我们可能在局部修补，要不要退一步重新看？"： 你对同一个文件做了 3 次以上修改仍未解决， 或用户连续 2 次否定你的方案， 或你发现方案里 workaround 和 edge case 越来越多。 用户同意后再执行完整分析。用户说不用则继续正常工作。
本地语义代码搜索。当需要按意图定位代码、查找实现、理解代码结构时使用，优先于 grep/read 用于探索性搜索。触发词："搜代码"、"code search"、"find implementation"、"理解代码实现"、"semble"、"语义搜索"、"search code"。
通用 Web 搜索、URL 内容提取、网站爬取。这是默认的搜索工具。 当用户需要：快速查事实、搜索新闻、fact-checking、提取网页内容、 爬取网站、深度研究（advanced 模式）时使用。 触发词："搜索"、"查一下"、"搜一下"、"lookup"、"search"、"research"、 "fact-check"、"联网搜索"、"查资料"、"提取网页"、"爬取网站"、 "tavily"、"网页内容"。 不触发场景：股票/金融数据查询、学术论文检索、CVE/安全漏洞查询、 批量并行搜索——这些场景由 anysearch skill 处理。
| name | py-preference |
| description | Python 开发偏好指南。当进行 Python 开发、代码重构、问题修复、类型标注、错误处理等任务时使用此 skill。AI 会根据用户的历史偏好记录，自动采用用户偏好的方案和风格。触发词：Python开发、写Python代码、Python重构、Python问题修复、mypy修复。 |
基于用户历史偏好记录，指导 AI 进行 Python 开发。
Python 开发
写 Python 代码
Python 重构
Python 问题修复
mypy 修复
类型标注
AI 必须先阅读偏好记录，再进行开发决策。
以下是从具体案例中提炼出的通用偏好原则，适用于各类开发决策。
| 原则 | 说明 | 案例 |
|---|---|---|
| 语义优先 | 优先选择"让代码意图更清晰"的方案，而非"依赖工具行为"的方案 | for 循环使用不同变量名而非类型注解 |
| 显式优于隐式 | 变量名、类型、逻辑应自解释，不依赖上下文推断 | 通过变量名表达意图，而非依赖类型推断 |
| 最小改动原则 | 优先选择改动范围小、影响边界清晰的方案 | - |
| 正面修复优于忽略 | 优先选择解决类型系统限制的方案，而非使用 type: ignore 绕过检查 | 创建 _extract_rowcount 方法而非忽略 mypy 错误 |
| 集中管理重复逻辑 | 将重复的类型转换或错误处理逻辑封装为辅助方法 | _extract_rowcount 统一处理 rowcount 提取 |
| 原则 | 说明 |
|---|---|
| 实用主义 | 不追求"完美"方案，选择"够用且简单"的方案 |
| 避免过度工程 | 不为假设的未来需求做过度设计 |
| 工具服务于人 | 工具（mypy、ruff 等）是辅助，不应主导决策，但也不应简单忽略其警告 |
| 原则 | 说明 | 案例 |
|---|---|---|
| 语义化命名 | 通过变量名或方法名表达意图，而非依赖类型注解 | _extract_rowcount 而非 _cast_rowcount_to_int |
| 接受工具限制 | 工具的误报可以接受，不必追求 100% 通过，但优先选择正面修复 | 使用 cast 明确类型而非 type: ignore |
在执行任何 Python 开发任务前，必须先读取偏好记录：
# 列出所有偏好记录
ls .claude/skills/py-preference/references/
# 读取特定类别的偏好
cat .claude/skills/py-preference/references/<category>/<file>.md
| 类别 | 说明 | 文件位置 |
|---|---|---|
type-hint | 类型标注偏好 | references/type-hint/ |
error-handling | 错误处理偏好 | references/error-handling/ |
code-style | 代码风格偏好 | references/code-style/ |
refactoring | 重构策略偏好 | references/refactoring/ |
tool-config | 工具配置偏好 | references/tool-config/ |
根据用户请求，判断涉及的偏好类别：
| 用户请求 | 相关类别 |
|---|---|
| mypy 类型错误 | type-hint, tool-config |
| 代码风格问题 | code-style |
| 重构决策 | refactoring |
| 异常处理 | error-handling |
# 示例：读取类型标注相关偏好
cat .claude/skills/py-preference/references/type-hint/*.md
优先级：
根据偏好记录中的选择，采用用户偏好的方案。
如果偏好记录中没有相关内容：
py-preference-optimize 记录此偏好每条偏好记录遵循以下结构：
---
category: <类别>
created: <日期>
tags: [<标签1>, <标签2>]
---
# <偏好标题>
## 场景
（描述什么情况下需要做这个决策）
## 选项
（列出可能的方案）
## 选择
（用户选择的方案）
## 理由
（为什么选择这个方案）
场景：遇到 mypy 变量类型不兼容错误
应用深层原则：
结果：AI 直接采用"不同变量名"方案，不再询问用户。
py-preference-optimize skillpy-preference-optimize skill