核心用法
Pattern Extraction 是一套面向代码库的结构化分析方法论，旨在从现有项目中捕获可复用的设计系统、架构模式与工作流实践。其核心流程分为五个阶段：
1. Discovery（发现）：扫描项目根目录结构、关键配置文件（package.json、tailwind.config.* 等）、技术栈标识（React、Go、Kubernetes 等）以及设计系统信号（CSS 变量、主题文件、设计文档）。
2. Categorization（分类）：按优先级映射发现内容——设计系统（最高优先）、UI 模式、架构、工作流、领域特定模式，并筛选出具有跨组件复用价值、有文档记录的设计决策。
3. Extraction（提取）：针对高价值模式生成输出：设计系统提取为文档+技能，架构沉淀为方法论文档，具体模式转化为独立技能（需满足 <300 行、包含 WHAT/WHEN/KEYWORDS 描述、NEVER 反模式清单等质量门槛）。
4. Validation（验证）：执行质量检查，包括专家知识占比（>70% 非 Claude 基础模型已知内容）、冲突检测（避免重复技能）、模板完整性验证。
5. Output（输出）：将内容写入标准化目录结构——docs/extracted/ 存放方法论文档，ai/skills/ 存放可复用技能。
显著优点
- 系统性优先级：明确将设计系统（颜色、排版、动效、美学方向）置于最高提取优先级，避免技术实现细节淹没设计意图。
- 强制质量门槛：内置 skill-quality-criteria.md 检查清单，要求技能描述包含触发关键词、反模式清单、代码示例，且行数严格控制在 300 行以内（上限 500）。
- 项目无关化：强制去除硬编码项目名称，确保提取的模式具备跨项目迁移能力。
- 渐进式精炼：支持将提取结果暂存至 staging 区域，通过后续 refinement 流程跨项目整合，形成通用技能库。
潜在缺点与局限性
- 依赖源项目质量：若原项目缺乏文档化设计决策、使用默认配置或充斥一次性 hack，提取价值大幅降低。
- 半自动化瓶颈：虽然流程结构化，但"是否值得提取"的判断仍需人工/AI 主观评估，存在误筛或过度提取风险。
- 技术栈覆盖盲区：当前指标文件显式针对 JavaScript/React/Tailwind/shadcn/ui 生态，对 Rust、Python、原生移动开发等栈的检测指标不足。
- 美学捕获的主观性："设计哲学"和"vibe"的文档化依赖提取者的设计敏感度，可能产生不一致的输出质量。
适合人群
- 设计系统工程师：需要从遗留项目中抢救设计令牌和美学方向
- 平台/中台团队：负责沉淀跨项目的可复用技术资产
- 技术负责人：进行代码库健康度审计、技术债务识别与模式标准化
- AI 辅助开发工具链构建者：需要将组织内部最佳实践转化为结构化技能供 AI 代理调用
常规风险
- 过度工程化风险：可能将本应简单的项目特定方案强行泛化为"可复用模式"，增加不必要的抽象成本。
- 技能膨胀：缺乏严格的冲突检测时，易产生功能重叠的碎片化技能，维护成本上升。
- 知识产权敏感：提取过程中可能捕获包含业务逻辑的项目特定代码，需确保输出前完成项目无关化清洗。
- 版本漂移：提取的技能与原项目演进脱节，若缺乏持续同步机制，技能可能迅速过时。