1. 项目概述：告别通用AI，迎接你的专属领域专家

如果你和我一样，每天都在和Claude Code、Cursor或者VS Code Copilot打交道，那你肯定遇到过这个场景：你让它写个API端点，它确实给你生成了能跑的代码，但总感觉差了点什么。它不知道你团队里约定俗成的FastAPI响应模型命名规范，它不会主动提醒你在那个 user_id 字段上加个索引，更别提按照你习惯的Django REST Framework序列化器结构来组织代码了。通用AI给出的，永远是“通用”的解决方案，就像一本万能手册，什么都能查，但针对你手头这个具体领域的深水区，它给不了你专家级的直觉。

这就是 cursor-claude-personas 要解决的问题。这不是另一个需要你绞尽脑汁去写的长篇系统提示词，也不是一个孤零零的 .cursorrules 文件。它是一个开箱即用的“专家大脑”库，包含了38个针对不同技术角色的预配置包。从资深Python后端、React前端架构师，到DevOps云原生专家、安全工程师，甚至产品经理和UI/UX设计师，每个角色包都封装了该领域内经过验证的最佳实践、避坑指南和自动化技能。你只需要花30秒，复制一个文件夹到你的项目根目录，重新打开编辑器，你的AI助手就立刻“换脑”了——它开始用领域专家的思维和你对话，写出更专业、更地道、更符合生产标准的代码。

我最初接触这个项目是因为在一个微服务项目上被数据库查询性能折腾得够呛。通用AI助手总是写出 N+1 查询或者低效的 IN 子句。直到我把 senior-python-developer 角色包丢进项目，下一次当我让它“优化这个用户列表查询”时，它直接给出了基于 SELECT ... FOR UPDATE SKIP LOCKED 的悲观锁方案，并附上了详细的死锁规避说明。那一刻我就知道，AI编程助手的玩法，从此不一样了。

2. 核心设计思路：深度优先于广度，让AI拥有“肌肉记忆”

cursor-claude-personas 的设计哲学非常明确： 深度优先于广度 。它不追求让一个AI助手无所不能，而是致力于让它在一个特定领域内成为顶尖专家。这就像组建一个开发团队，你不会想要10个什么都会一点的“全栈新手”，而是会希望有一个精通数据库的DBA、一个对前端性能优化了如指掌的专家、一个能设计出高可用架构的系统架构师。这个项目就是把这些专家的“思维模式”和“经验库”做成了即插即用的模块。

2.1 规则与技能的双引擎驱动

每个角色包的核心，是由“规则”和“技能”两套系统构成的，这远比一个单薄的 .cursorrules 文件要强大得多。

规则 是AI的“宪法”和“行为准则”。它们被放在 .claude/rules/ 或 .cursor/rules/ 目录下，以 rules-- 开头的Markdown文件存在。每当你在编辑器中开启一个新的聊天会话，这些规则就会被自动加载，并始终在后台生效。它们定义了该角色最基本的编码风格、必须遵守的范式、一定要避免的反模式，以及领域内的核心原则。

例如，在 senior-python-developer 的规则里，可能会明确规定：“所有数据库模型必须使用 alembic 进行版本化管理，迁移脚本需包含 downgrade 函数”、“异步函数必须明确使用 async/await ，禁止混用同步调用阻塞事件循环”、“API响应必须使用Pydantic模型进行序列化和验证”。这些规则确保了AI输出的代码从一开始就走在正确的道路上。

技能 则是AI的“工具箱”和“应急预案”。它们位于 .claude/skills/ 或 .cursor/skills/ 目录下，同样是Markdown文件，但通常包含YAML前置元数据来描述其触发条件。技能不会在会话开始时一股脑儿塞给AI，那样会浪费宝贵的上下文窗口。相反，项目内置了一个非常聪明的“自动技能路由器”。

这个路由器会实时分析你正在进行的对话和代码上下文。当它检测到你正在处理一个特定任务时——比如，你开始编写一个复杂的SQL查询——它会自动将对应的技能文档（例如 skill--sql-query-optimization.mdc ）注入到上下文中。这意味着，AI在帮你优化查询时，瞬间就获得了关于索引策略、执行计划解读、窗口函数使用技巧等深度知识。这种“按需加载”的机制，让AI的专家指导既精准又高效。

2.2 与.cursorrules文件的本质区别

很多开发者习惯自己维护一个 .cursorrules 文件，里面写几条通用指令，比如“用英语注释”、“写测试”。这当然有用，但它存在两个天花板：

1. 深度不足 ：一个文件很难承载一个专业领域的全部细节。把数据库设计、并发处理、安全规范、API设计原则全写进去，文件会变得臃肿不堪，AI反而可能抓不住重点。
2. 缺乏动态性 ： .cursorrules 是静态加载的。无论你是在写前端组件还是部署脚本，AI看到的都是同一套指令，无法进行上下文感知的深度指导。

cursor-claude-personas 通过 模块化的规则文件 和 动态加载的技能系统 ，完美突破了这两个天花板。它把“专家知识”进行了结构化拆解，让AI在需要的时候，获得最相关的知识，从而实现了从“通用助手”到“领域专家”的质变。

3. 实战部署：30秒内为你的项目注入专家基因

理论说得再多，不如亲手操作一遍。整个部署过程简单到令人发指，真正体现了“开箱即用”的精髓。

3.1 环境准备与工具选择

首先，你需要一个支持该项目的AI编程助手。目前完美兼容的有三款：

• Claude Code ：Anthropic官方的IDE插件，体验纯净，对规则和技能的支持最原生。
• Cursor ：基于VS Code深度定制，集成了多个AI模型，是当前最流行的AI编程IDE之一。
• VS Code + Claude扩展 ：在标准的VS Code中安装Claude官方扩展，也能获得大部分功能。

你不需要同时安装它们，选择你日常使用的一款即可。我个人主力开发环境是Cursor，因为它对项目上下文的理解和操作集成度更高。

3.2 四步完成专家角色切换

整个流程只有四步，甚至不需要你离开终端。

第一步：克隆角色库 打开你的终端，执行以下命令。这个操作只需要做一次，这个本地仓库就是你的“专家大脑”库。

git clone https://github.com/ratnesh-maurya/cursor-claude-personas.git

你可以把这个仓库放在一个固定路径，比如 ~/dev/ai-personas/ ，方便以后随时取用。

第二步：挑选你的专家 进入克隆下来的目录，或者直接访问项目的 GitHub Pages站点 ，这里可以更直观地浏览和筛选38个角色。如果你是全栈开发者，正在做一个React + Node.js的SaaS应用，那么 senior-frontend-developer 和 fullstack-saas-mvp 这两个角色会是非常棒的起点。如果你在做数据平台， data-engineer 和 devops-cloud-engineer 的组合能让你事半功倍。

第三步：复制角色到项目 假设你选择的是 senior-python-developer ，并且你的项目路径是 /Users/you/projects/my-api 。根据你使用的编辑器，执行对应的命令：

• 如果你用Claude Code或VS Code with Claude扩展：

  cp -R cursor-claude-personas/senior-python-developer/.claude /Users/you/projects/my-api/
  

• 如果你用Cursor：

  cp -R cursor-claude-personas/senior-python-developer/.cursor /Users/you/projects/my-api/
  

• 如果你想在两个编辑器间共享配置（比如在家用Cursor，在公司用Claude Code）：

  cp -R cursor-claude-personas/senior-python-developer/.claude /Users/you/projects/my-api/
  cp -R cursor-claude-personas/senior-python-developer/.cursor /Users/you/projects/my-api/
  

第四步：重启会话，见证蜕变 最关键的一步：完全关闭你的编辑器（Claude Code、Cursor或VS Code），然后重新打开你的项目。当你新建一个聊天会话，或者让AI分析现有代码时，变化立刻会发生。你会发现AI回复的语气、关注的细节、提供的解决方案都带上了鲜明的“专家”色彩。你不再需要每次都说“请遵循PEP 8”、“记得加索引”，因为这些已经成为了它的本能。

3.3 一个真实的效率提升案例

让我分享一个上周的真实案例。我需要在一个Django项目中添加一个带有复杂过滤、排序和分页的列表API。在通用模式下，我向AI描述需求后，它生成了一段使用 Q 对象进行过滤的视图代码。代码能运行，但存在几个问题：1）过滤逻辑是硬编码的，不易扩展；2）没有处理排序参数；3）分页是简单的 limit/offset ，性能一般。

在我引入了 senior-python-developer 角色包后，我重新打开了会话。这次，我仅仅说：“创建一个Django REST Framework的视图，用于产品列表，需要支持多字段动态过滤、排序和分页。”

AI生成的代码让我眼前一亮：

1. 它自动使用了 django-filter 库来构建可扩展的过滤器集，并注释说明这比手动解析 Q 对象更易于维护和测试。
2. 它集成了 drf-flex-fields （这是一个我常用但没在提示里提的库）来动态控制返回的字段，优化了网络传输。
3. 它推荐使用基于游标的分页（ CursorPagination ）而不是 PageNumberPagination ，并附上了原因说明：“对于大型数据集和无限滚动场景，游标分页性能更好，且不受中间数据插入删除的影响。”
4. 它甚至在视图的 get_queryset 方法中，主动添加了 select_related 来优化外键查询，并提示：“如果 category 和 brand 关系被频繁访问，预取可以避免N+1查询问题。”

整个过程，我没有输入任何一条具体的编码规则。所有这些最佳实践，都来自于 senior-python-developer 角色包中预置的规则和技能。AI从一个代码生成器，变成了一个拥有丰富实战经验的Python开发搭档。

4. 深度解析：角色包内部结构与工作原理

要真正玩转 cursor-claude-personas ，理解它的内部结构至关重要。这能帮助你在遇到问题时进行调试，甚至根据自己的需求进行定制。

4.1 解剖一个角色包：以 senior-python-developer 为例

让我们深入看看 senior-python-developer 这个文件夹里到底有什么：

senior-python-developer/
├── .claude/
│   ├── rules/
│   │   ├── rules--core-principles.mdc
│   │   ├── rules--api-design.mdc
│   │   ├── rules--database.mdc
│   │   ├── rules--async-concurrency.mdc
│   │   └── rules--testing.mdc
│   └── skills/
│       ├── skill--sql-indexing.mdc
│       ├── skill--pydantic-models.mdc
│       ├── skill--fastapi-dependency-injection.mdc
│       ├── skill--celery-task-queues.mdc
│       └── skill--dockerfile-optimization.mdc
└── .cursor/
    ├── rules/
    │   └── ... (内容与.claude/rules/基本对称)
    └── skills/
        └── ... (内容与.claude/skills/基本对称)

规则文件解析 ： 每个 .mdc 文件本质上是Markdown，可以包含可选的YAML frontmatter。 rules--database.mdc 文件可能以这样的内容开头：

---
description: “数据库交互核心规则，涵盖ORM使用、查询优化、事务管理。”
priority: high
---
# 数据库规则

## 核心原则
- 永远使用ORM（如SQLAlchemy、Django ORM）进行查询，除非有极端的性能需求并经过验证。
- 所有写操作必须放在显式的事务中。
- 查询必须考虑N+1问题，默认使用`select_related`或`prefetch_related`（Django）或适当的join策略（SQLAlchemy）。

## 索引策略
- 为所有外键字段添加索引。
- 为高频查询的`WHERE`、`ORDER BY`、`GROUP BY`字段组合添加复合索引。
- 使用部分索引（Partial Indexes）来索引条件数据，例如`WHERE is_active = TRUE`。
- **禁止**在查询中使用`WHERE id IN (SELECT ...)`，应重写为`WHERE id = ANY(ARRAY[...])`或使用`JOIN`。

## 连接管理
- 使用连接池，并设置合理的池大小（建议为`(核心数 * 2) + 磁盘数`）。
- 生产环境必须使用带有健康检查的池化连接器（如`asyncpg`的池、`SQLAlchemy`的`QueuePool`）。

这些规则在会话开始时被AI读取，并成为其生成代码的底层约束。

技能文件解析 ： 技能文件更侧重于解决具体问题。 skill--sql-indexing.mdc 可能包含：

---
name: “SQL索引优化”
triggers:
  - “index”
  - “slow query”
  - “EXPLAIN”
  - “WHERE”
  - “performance”
---
# SQL索引优化指南

## 何时添加索引
1.  主键和外键（自动创建，但需确认）。
2.  频繁出现在`WHERE`子句中的列。
3.  用于`JOIN`的列。
4.  用于`ORDER BY`或`GROUP BY`的列。

## 索引类型选择（以PostgreSQL为例）
- **B-tree**: 默认选择，适用于等值、范围查询和排序。
- **Hash**: 仅适用于简单的等值查询（`=`），通常不如B-tree。
- **GIN**: 用于数组、JSONB、全文搜索等复合数据。
- **BRIN**: 用于具有自然排序（如时间戳）的超大表，索引尺寸极小。

## 解读EXPLAIN ANALYZE
- **Seq Scan**: 全表扫描，对大数据表是性能杀手。检查是否缺少索引。
- **Index Scan**: 使用了索引，是好的。
- **Index Only Scan**: 最佳情况，数据可直接从索引中获取。
- **注意`Bitmap Heap Scan`后的`Rows Removed by Filter`**，数值高意味着索引效率低。

## 实战示例：优化一个慢查询
**原查询**：
```sql
SELECT * FROM orders WHERE user_id IN (SELECT id FROM users WHERE created_at > ‘2023-01-01’);

问题 ： IN 子查询可能导致低效的执行计划。 优化方案 ：

SELECT o.* FROM orders o
JOIN users u ON o.user_id = u.id
WHERE u.created_at > ‘2023-01-01’;
-- 并在`orders.user_id`和`users.created_at`上确保有索引。

当AI检测到对话中出现“索引”、“慢查询”等关键词时，这份技能文档就会被自动引入，指导AI给出专业级的优化建议。

### 4.2 自动技能路由器：智能化的上下文感知

这是项目中最精妙的设计之一。在`rules/`目录下，通常有一个名为`rules--auto-skill-router.mdc`的文件。它的作用就像一个智能调度中心。其内部逻辑（通过自然语言描述给AI）大致是：“监控用户的请求和代码上下文。如果检测到他们在处理数据库查询，就自动引用`skill--sql-indexing.mdc`；如果他们在编写身份验证逻辑，就引用`skill--authentication.mdc`。”

这意味着你**永远不需要手动输入`/skill`之类的命令**。专家知识在需要的时候自动出现，实现了无感的、沉浸式的专家协作体验。这种设计极大地降低了使用门槛，你只需要专注于你的开发任务，AI会自动带上最合适的“工具包”。

## 5. 高级技巧与个性化定制

当你熟悉了基本用法后，可以尝试一些高级玩法，让这个工具更贴合你的个人或团队工作流。

### 5.1 混合与匹配：创建你的复合专家

虽然一个角色包在大多数时候已经足够，但有些复杂项目可能需要跨领域的知识。例如，一个涉及高性能数据处理的Web应用，可能需要`senior-python-developer`的API设计能力和`data-engineer`的管道优化知识。

你可以手动进行混合配置：
1.  将两个角色包（如`senior-python-developer`和`data-engineer`）中的`.claude/rules/`目录下的所有`.mdc`文件，合并到你项目`.claude/rules/`目录下。
2.  对`skills/`目录进行同样的操作。
3.  **注意**：要小心处理可能冲突的规则。通常，更具体的规则会覆盖更通用的规则。建议在合并后，重新打开编辑器，通过一些边界测试（比如同时涉及API和数据处理的任务）来观察AI的行为是否符合预期。

一个更稳妥的做法是，以其中一个角色包为主（比如`senior-python-developer`），然后从另一个角色包（如`data-engineer`）中挑选你最需要的几个技能文件（如`skill--apache-spark-optimization.mdc`）复制过来。这样可以最小化冲突风险。

### 5.2 项目级与全局级配置

配置的加载是有优先级的，这给了你灵活的配置空间：
*   **项目级配置（最高优先级）**：就是你复制到项目根目录的`.claude/`或`.cursor/`文件夹。这里的规则和技能只对当前项目生效。这是最常用的方式，可以为不同的项目配备不同的专家。
*   **全局级配置**：你可以在你的用户主目录下创建全局配置文件夹（例如`~/.cursor/rules/`）。放在这里的规则会对所有Cursor项目生效，适合放置一些你个人跨项目的通用偏好，比如代码格式、注释风格等。

最佳实践是：将领域特定的、项目相关的深度知识放在**项目级配置**中；将个人编码风格、通用工具链偏好放在**全局级配置**中。这样既能保证每个项目的专业性，又能保持个人习惯的一致性。

### 5.3 贡献你自己的专家角色

`cursor-claude-personas`是一个MIT协议的开源项目，社区贡献是它保持活力的关键。如果你在某个细分领域（比如“物联网后端开发”、“音视频处理工程师”）积累了丰富的AI调教经验，完全可以贡献一个新的角色包。

贡献流程非常标准化：
1.  **Fork仓库**：在GitHub上Fork原项目。
2.  **创建角色文件夹**：在根目录下创建一个新的文件夹，用短横线命名，如`iot-backend-developer`。
3.  **构建规则和技能**：在其中创建`.claude/`和`.cursor/`子目录，并按照现有角色的格式，编写你的`rules/`和`skills/`文件。这是最核心的一步，需要你精心提炼该领域的核心原则和常见问题的解决方案。
4.  **同步与检查**：确保`.claude/`和`.cursor/`两个目录下的内容是对称的。项目提供的贡献者指南（`CONTRIBUTING.md`）中有校验脚本可以帮助你。
5.  **提交Pull Request**：将你的新角色包提交回主项目。

通过贡献，你不仅帮助了社区，也能让自己的专业知识以可复用的形式沉淀下来，在未来任何新项目中都能一键启用。

## 6. 常见问题与实战排坑指南

在实际使用中，你可能会遇到一些小问题。这里我总结了一些常见的情况和解决方法，希望能帮你节省时间。

### 6.1 配置不生效？检查这几点

**问题**：复制了文件夹，重启了编辑器，但AI的行为似乎没有变化。
*   **检查文件夹位置**：确保`.claude/`或`.cursor/`文件夹被直接复制到了你项目的**根目录**下，而不是子目录里。AI助手通常只在项目根目录读取这些配置。
*   **检查文件夹名称**：确认文件夹名称是**以点开头**的（如`.claude`），这是隐藏文件夹的命名规范，也是编辑器识别配置的约定。
*   **彻底重启编辑器**：有时IDE会有缓存。最可靠的方法是完全关闭所有编辑器窗口，然后重新打开项目。在Cursor中，你可以通过命令面板（`Cmd+Shift+P`）搜索并执行“Developer: Reload Window”来强制重载。
*   **检查编辑器支持**：确认你使用的编辑器插件版本支持`.claude/`或`.cursor/`目录配置。对于Claude Code和Cursor，这通常是内置功能。对于VS Code的Claude扩展，请查阅其最新文档。

### 6.2 AI建议与团队规范冲突？如何调整

**问题**：角色包里的某些规则（比如强制使用某种代码风格）与你们团队的内部规范不一致。
*   **直接修改规则文件**：这是最直接的方法。找到项目下`.claude/rules/`或`.cursor/rules/`目录中对应的规则文件（例如关于代码风格的`rules--code-style.mdc`），用文本编辑器打开，按照你们团队的规范进行修改。例如，如果角色包要求使用双引号，而你们团队用单引号，就修改相应的规则描述。
*   **创建覆盖规则**：你可以在同一目录下创建一个新的规则文件，文件名按字母排序时排在原文件之后（例如在原`rules--code-style.mdc`之后创建一个`rules--zzz-team-override.mdc`）。AI在解析时，后加载的规则可能会覆盖或补充先前的规则。在文件中，你可以明确写上“覆盖前一条规则，本项目使用单引号”。
*   **沟通与取舍**：有时，角色包的建议可能比团队现有规范更优（比如在安全或性能方面）。这是一个很好的契机，可以和团队讨论是否采纳这些行业最佳实践来更新内部规范。

### 6.3 技能没有被自动触发？排查思路

**问题**：在处理一个明显属于某个技能领域的问题时（比如写一个复杂的JOIN查询），对应的技能文档没有被AI引用。
*   **检查技能触发器**：打开对应的技能文件（如`skill--sql-query-optimization.mdc`），查看其YAML frontmatter中的`triggers`列表。AI是根据这些关键词来匹配上下文的。如果你在对话中使用的术语和`triggers`里的词不匹配，就可能无法触发。你可以尝试在提问时，使用技能文件中列出的关键词。
*   **手动引用技能**：虽然自动触发是目标，但你也可以手动干预。在聊天中，你可以直接说：“请参考`skill--sql-query-optimization`文档中的最佳实践来优化这个查询。” AI通常能够理解并应用该文档的内容。
*   **规则路由器的局限性**：自动技能路由器是基于关键词的简单匹配，不是完美的自然语言理解。对于非常复杂或描述模糊的任务，它可能无法准确关联。这时，手动指定或直接向AI提问（例如“按照资深Python开发者的数据库优化原则，这个查询有什么问题？”）是更有效的方式。

### 6.4 性能与上下文窗口的平衡

**问题**：添加了大量规则和技能，会不会拖慢AI响应速度或占用太多上下文？
*   **规则是轻量的**：规则文件通常比较精简，只包含原则性、纲领性的内容，占用的上下文令牌（Token）很少，对速度影响微乎其微。
*   **技能是按需加载**：这是关键。技能文档只有在被触发时才会被注入当前对话的上下文。它不会在每次会话开始时就被加载，因此不会造成持续的上下文负担。只有当你在进行相关工作时，才会“支付”这部分令牌开销，换取深度建议，这是非常划算的。
*   **定期审视与精简**：如果你觉得某个技能文件内容过于冗长，可以对其进行编辑，保留核心要点，删除过于基础的或你已熟知的内容。让这个工具完全为你服务。

## 7. 不同角色的实战场景与选择建议

面对38个角色，新手可能会感到选择困难。这里我结合自己的经验，为你梳理几个典型场景下的角色选择策略，并深入剖析几个热门角色包的核心价值。

### 7.1 场景化角色选择指南

*   **场景一：快速构建全栈SaaS原型**
    *   **核心需求**：速度至上，需要前后端通吃，快速验证想法。
    *   **推荐角色**：`fullstack-saas-mvp`。这个角色包是为你量身定做的。它内置了从用户认证、支付集成（Stripe/Paddle）、邮件发送到基础监控和部署的整套最佳实践。AI会引导你使用像`Next.js`、`Prisma`、`Tailwind CSS`这样的“黄金组合”，并避免在原型阶段过度设计。
    *   **实战技巧**：开启这个角色后，直接问它：“基于Next.js 14 App Router和Prisma，给我一个包含用户注册、登录和仪表盘的最小可行产品结构。”你会得到一份清晰的文件结构、环境变量配置示例以及核心的API路由和组件代码，省去大量查文档和拼凑的时间。

*   **场景二：维护与重构大型遗留系统**
    *   **核心需求**：代码质量、可维护性、安全性、性能优化。
    *   **推荐角色组合**：`senior-xxx-developer`（对应你的主语言，如`senior-java-developer`） + `system-architect` + `security-engineer`。
    *   **深度解析**：
        *   `senior-java-developer`会确保你的代码符合现代Java（比如17+）的规范，正确使用`Optional`，避免空指针，采用清晰的异常处理策略，并遵循Spring Boot的最佳实践（如配置管理、Bean生命周期）。
        *   `system-architect`角色会在你考虑拆分服务、引入消息队列或缓存时，提供架构层面的权衡分析。它会提醒你服务边界的划分原则（如基于业务能力）、分布式事务的陷阱，以及如何设计具有弹性的服务间通信。
        *   `security-engineer`角色则是你的安全卫士。它会自动检查代码中的常见漏洞，如SQL注入（即使使用了ORM，错误用法也可能存在）、不安全的反序列化、硬编码的密钥、缺失的CORS配置或输入验证不足。在重构中引入安全审计，事半功倍。

*   **场景三：数据平台与ETL管道开发**
    *   **核心需求**：处理大规模数据，保证管道可靠性、可观测性和效率。
    *   **推荐角色**：`data-engineer`。这个角色包深入到了数据工程的骨髓。
    *   **它能帮你做什么**：
        1.  **工具选型建议**：当你提到需要处理流数据时，它会对比`Apache Flink`、`Apache Spark Streaming`和`ksqlDB`的适用场景。
        2.  **优化策略**：在编写Spark作业时，它会提醒你避免`skew`（数据倾斜），建议使用`repartition`或`salting`技巧，并解释何时该使用`cache()`或`persist()`。
        3.  **工作流编排**：它会推荐使用`Airflow`或`Prefect`来编排任务，并给出DAG设计的最佳实践，比如任务幂等性、错误重试策略和传感器（Sensors）的使用。
        4.  **数据质量**：它会引导你集成像`Great Expectations`或`dbt tests`这样的数据测试框架，确保数据管道产出的质量。

### 7.2 热门角色包深度点评

*   **`senior-python-developer`（万金油与深度典范）**：
    这是最受欢迎的角色包之一，因为它覆盖了Python开发的方方面面。我尤其欣赏它在以下几个细节上的处理：
    *   **依赖管理**：它会强烈推荐使用`poetry`或`pdm`，而不是原始的`requirements.txt`，并解释这如何解决依赖冲突和可复现构建问题。
    *   **异步编程**：它不仅仅告诉你用`asyncio`，还会强调避免在异步函数中调用阻塞式IO，推荐使用`aiohttp`、`asyncpg`等异步生态库，并解释事件循环的原理。
    *   **类型提示**：它会推动你尽可能使用类型提示（Type Hints），并介绍`mypy`或`pyright`进行静态检查，这对于构建大型可维护项目至关重要。
    *   **测试**：它会区分单元测试（`pytest`）、集成测试和端到端测试，并给出使用`factory_boy`创建测试数据、用`pytest-mock`进行模拟的示例。

*   **`devops-cloud-engineer`（云原生时代的向导）**：
    这个角色包的价值在于，它将DevOps文化具象化为具体的代码和配置建议。
    *   **基础设施即代码**：无论你使用Terraform、Pulumi还是Crossplane，它会引导你编写模块化、可复用的代码，管理状态文件，并使用`terraform validate`和`tflint`进行预检。
    *   **Kubernetes清单**：它不会只给你一个简单的Pod配置。它会教你写`Deployment`、`Service`、`Ingress`，并强调配置资源请求和限制（`requests/limits`）、设置就绪性和存活探针（`readinessProbe/livenessProbe`），以及使用`ConfigMap`和`Secret`管理配置。
    *   **CI/CD流水线**：针对GitHub Actions、GitLab CI或Jenkins，它会提供优化建议，比如利用缓存层加速依赖安装、并行化测试任务、实现渐进式部署（蓝绿/金丝雀）的脚本逻辑。
    *   **可观测性**：它会建议在代码中集成结构化日志（如使用`structlog`）、添加应用指标（使用Prometheus客户端库）和分布式追踪（如OpenTelemetry）。

*   **`ui-ux-designer`（连接设计与代码的桥梁）**：
    这个角色包对于全栈开发者或需要独立完成前端的后端开发者来说是个宝藏。它关注的不是视觉设计，而是**设计系统、可访问性和用户体验的实现**。
    *   **组件化思维**：它会推动你构建可复用的UI组件，并考虑属性（props）接口设计、状态管理和样式组合方案。
    *   **可访问性**：这是很多开发者忽略的领域。这个角色会不断提醒你：为图片添加`alt`文本、确保键盘导航可用、使用足够的颜色对比度、为表单元素添加正确的`aria-*`属性。
    *   **响应式设计**：它会建议使用移动优先的CSS策略，并合理运用CSS Grid和Flexbox进行布局。
    *   **性能优化**：它会提醒你图片懒加载、代码分割、字体加载策略，以及使用`React.memo`或`useMemo`来避免不必要的重新渲染。

选择角色的一个核心心法是：**不要追求大而全，而要追求精准匹配你当前任务的核心挑战**。在项目不同阶段，你可以灵活切换角色。在架构设计期用`system-architect`，在密集编码期用`senior-xxx-developer`，在部署上线前用`devops-cloud-engineer`做一次检查。这就像为你的项目请来了一个随时待命、随需而变的专家顾问团。