用 Markdown 配置文件在 Claude Code 里搭建虚拟专家团队的实操心得

最近在尝试用 Claude Code 处理一个依赖关系极其混乱的旧项目，原本以为只能靠单点对话死磕，结果发现通过在 .claude/ 目录下放置特定的 Markdown 配置文件，竟然能直接在本地模拟出一套“专家协作流”，而且完全不需要去折腾复杂的 API Key 配置或环境变量。

这种玩法本质上是利用了 Claude Code 对本地上下文文件的自动读取机制。简单来说，当你把一套预设的指令集（比如 Skull Skills）丢进 .claude/ 目录后，这些文本就变成了 AI 的“运行指令”。在这种模式下，你不需要通过外部插件去定义角色，只要在对话中输入触发词 skull，AI 就会立即进入一种预设的面试和分析流程。

最让我惊喜的是它的角色分配逻辑。它不是简单地扮演一个助手，而是会自动触发一个由 Sentinel（项目制图师）领衔的专家组。这个 Sentinel 角色非常关键，它会先对项目架构进行扫描，然后根据任务复杂度，自动分配规划专家、评审专家、理解专家以及负责质量把控的护栏专家。

在实际操作中，部署过程极其简单，甚至不需要运行任何安装脚本。你只需要在项目的根目录下执行以下命令：

mkdir -p .claude
mv skull_config.md .claude/

只要 .md 配置文件正确放置在 .claude/ 文件夹内，Claude Code 在启动时就会将其加载到上下文。这意味着你不需要担心 API 额度被第三方中间件刷爆，也不需要配置 .env 文件，所有的角色定义和工作流逻辑都以纯文本的形式存在于你的本地磁盘上。

我重点测试了 Sentinel 角色在处理“烂摊子”代码时的表现。在面对一个拥有几十个互相引用、且缺乏文档的模块时，它能快速理清依赖关系并生成逻辑图，这比我手动用 grep 搜索调用链要快得多。更离谱的是，这套机制支持某种程度的“自我更新”，它能实时同步 Claude Code 本身的功能特性，确保角色指令不会因为模型版本的更新而失效。

对于习惯单兵作战的开发者来说，这种虚拟团队的 Review 机制其实提供了一个很好的视角切换。当你写完一个复杂功能，通过触发这个机制，让“评审专家”和“护栏专家”从架构一致性和潜在 Bug 的角度进行审视，能帮我过滤掉很多低级错误。

如果你也想尝试这种纯本地、纯文本的协作增强方案，可以直接去 GitHub 找 aturzone/Skull 这个项目，把对应的配置文件丢进 .claude/ 目录即可开始。这种利用上下文注入来模拟多智能体协作的思路，确实比安装一个沉重的第三方协作软件要轻量得多。