专家索引

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

---

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:

1. 解析每个 SKILL.md 的 description 字段
2. 提取"触发关键词:"后面的词汇
3. 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：

1. 工作流专家 - pbi-reviewer、coding-agent、platform-architecture
2. 应用专家 - app-*-expert（与当前工作区匹配时优先）
3. 平台专家 - {{PLATFORM_REPO}}-*-expert
4. 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:

1. 读取 .github/​skills/​*/​SKILL.md 文件
2. 解析 YAML frontmatter 中的 name 和 description
3. 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:

⚠️ 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：

1. 先参考 #platform-architecture 确定代码在哪个仓库
2. {{PLATFORM_REPO}} = 平台层代码，需通过 MCP DevOps 搜索
3. 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)

<!-- 🤖 AI 填充指南 将以下提示词发送给你的 AI 助手： --- 我的应用有以下业务模块： [列出你应用的核心业务模块] 请帮我生成域专家映射表，格式如下： | 专家 Skill 名 | 触发词 | 说明 | 每个模块对应一个域专家，触发词应包含用户可能使用的中英文关键词。 --- -->

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。

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:

1. 将专家 skill 文件夹复制到 .github/​skills/
2. 确保 SKILL.md 有正确的 YAML frontmatter (name, description, 触发关键词)
3. 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 }}