update（update 工具）

/update — 更新知識庫

將本次 session 的工作沉澱為文件與可復用知識。依序執行文件更新、品質審查、context 整理、模式提取四個階段。

ECC 資源前置確認： 確認 doc-updater agent 和 learn-eval skill 的可用狀態。若已被 defer，提示使用者先 restore 或調整流程。

與 /pr 的分工：/update 負責知識沉澱，/pr 負責 git 輸出。需要時可組合使用：先 /update 再 /pr。

Step 1: doc-updater — 更新文件

使用 doc-updater agent 掃描本次 session 的變更，更新相關文件。

Agent(subagent_type="everything-claude-code:doc-updater")

掃描範圍：

1. 執行 git diff --name-only HEAD 取得本次變更的檔案清單
2. 若無未 commit 變更，使用 git diff --name-only HEAD~3..HEAD 取得近期 commit 涉及的檔案
3. 若仍無任何變更，使用 AskUserQuestion 詢問：

- 指定檔案 — 手動指定要檢查的文件 - 全面掃描 — 掃描所有文件是否有過時內容 - 只做知識提取 — 跳過 Step 1-2，從 Step 3（對話 context 整理）開始 - 結束 — 結束 /update 流程

1. 根據變更內容更新：

- docs/ 目錄下的相關文件 - docs/CODEMAPS/ 目錄下的架構圖 - README.md（如果功能或用法有變動） - 其他受影響的文件檔案

HITL 確認（必做）： 更新任何文件前，先列出「計畫更新的檔案清單」並使用 AskUserQuestion 請使用者確認：

即將更新以下文件，請確認是否正確：
1. path/to/file1.md — 原因：xxx
2. path/to/file2.md — 原因：xxx

[確認繼續] / [調整清單] / [跳過]

文件庫 / 知識庫 歧義處理： 若上下文提到「文件庫」或「知識庫」，必須先釐清指的是哪個目錄，不得自行假設：

• 可能是 docs/、research/、README.md（專案文件）
• 可能是 ~/.claude/projects/.../memory/（Claude 記憶庫）
• 可能是 ~/.claude/skills/（技能庫）
• 若無法從上下文判斷，使用 AskUserQuestion 確認後再繼續

交接資訊： 記錄更新了哪些文件檔案、變更摘要，作為下一步 code-reviewer 的輸入。

Step 1 結束時建立「變更 Manifest」（依據：DAMA-DMBOK Completeness）：

doc-updater 完成後，必須輸出以下格式的 manifest，供 Step 2 逐條比對使用：

## 變更 Manifest（Step 1 → Step 2 交接）

### 變更檔案清單（來源：git diff --name-only HEAD）
- [ ] src/foo.ts — 新增 X 功能
- [ ] src/bar.ts — 修改 Y 邏輯
- [ ] ...（共 N 個檔案）

### 預期應更新的文件（含更新原因）
- [ ] docs/api.md — 因 src/foo.ts 新增了 X API
- [ ] README.md — 因功能 Y 有用法變動
- [ ] ...（共 M 份文件）

### 實際已更新的文件
- [x] docs/api.md — ✅ 已更新
- [ ] README.md — ⏳ 待 Step 2 確認

expected_count（預期更新）= M；actual_count（已更新）待 Step 2 核實。

Step 2: code-reviewer — 交叉比對 + 審查文件品質

使用 code-reviewer agent 審查 Step 1 更新的文件，並交叉比對變更是否完整正確。

Agent(subagent_type="everything-claude-code:code-reviewer")

審查重點：

• 文件內容是否準確反映程式碼變更
• 是否有過時或不一致的描述
• 格式和結構是否符合專案慣例
• 是否有遺漏的重要資訊

Manifest-driven 交叉比對（依據：DAMA-DMBOK Completeness + ITIL CMDB Reconciliation）：

接收 Step 1 的「變更 Manifest」，逐條執行 set difference 比對（不可用語意判斷代替計數驗證）：

1. 對照 manifest 的「預期應更新文件清單」（M 份），逐條勾選每份文件是否已更新
2. 計數驗證：expected_count（M）- actual_count（已確認更新數） = 差集
3. 差集 > 0 → 標記為「應更新但漏掉的文件」，列在輸出報告中
4. 確認沒有「不在 manifest 但被錯誤修改的文件」（即 manifest 外的意外變更）
5. 若發現遺漏或錯誤，標示在輸出報告中

逐條比對輸出格式（必填）：

輸出格式：

如果有 CRITICAL 或 HIGH 問題，使用 AskUserQuestion 詢問使用者：

• 修正後繼續：先修正問題 → 展示修正結果 → AskUserQuestion 確認修正無誤 → 進入 Step 3
• 跳過，直接繼續：忽略問題，繼續執行

Step 3: 對話 context 整理

回顧整段對話，提取所有有價值的 context，分類到三個目標：

提取觸發訊號（對話中出現這些時必須提取）：

• 「考慮過 X 但...」「最終選擇 Y 因為...」「放棄了 Z」
• 「根據 RFC/OWASP/...」「業界做法是...」
• 明確的 before/after 比較
• 調查/比較結果（「比較了 3 個框架，選了 X」）
• 使用者糾正行為（→ MEMORY.md feedback）

知識庫位置不固定 — HITL 確認： 知識庫目錄因專案而異（research/、docs/、notes/ 等），不硬編碼路徑。提取完成後，用 AskUserQuestion 確認：

本次對話提取了以下有價值的 context：

1. [決策] xxx — 選 A 不選 B，因為...
2. [研究] xxx — 比較了 3 個框架...
3. [feedback] xxx — 使用者偏好修正

建議寫入位置：
- #1, #2 → 專案知識庫（請指定目錄，如 docs/decisions/、research/）
- #3 → MEMORY.md feedback

[確認並指定目錄] / [調整內容] / [跳過]

若對話中無有價值的 context 可提取，直接進入 Step 4。

Step 3 結束時建立「知識寫入 Manifest」（依據：DAMA-DMBOK Completeness）：

context 整理完成、使用者確認後，必須輸出以下格式的 manifest，供 Step 5 最終比對使用：

## 知識寫入 Manifest（Step 3 初版）

| # | 項目摘要 | 目標知識庫 | 狀態 |
|---|---------|-----------|------|
| 1 | [決策] 選 A 不選 B 的原因 | docs/decisions/ | 待寫入 |
| 2 | [研究] 3 個框架比較結果 | research/ | 待寫入 |
| 3 | [feedback] 使用者偏好修正 | MEMORY.md | 待寫入 |
| 4 | [pattern] 跨專案可重用模式 | 交給 Step 4 learn-eval | 待提取 |

expected_count（Step 3 識別項目）= N

交接資訊： 將「跨專案可重用的技術 pattern」清單傳遞給 Step 4 learn-eval 處理。

Step 4: learn-eval — 提取可復用模式

使用 learn-eval 從本次 session 提取跨專案可復用的 patterns，評估品質後寫入知識庫。

Skill(skill="everything-claude-code:learn-eval")

提取範圍：

• 錯誤解決模式（debugging patterns）
• 偵錯技巧（troubleshooting insights）
• 跨專案可重用的架構決策（cross-project architectural decisions）
• 工具使用技巧（tool usage patterns）
• 業界標準應用（industry standard adoptions）
• 標準化方案選型（standardized solution selections）

Step 3 已將「專案特定 context」分流到知識庫，learn-eval 聚焦在跨專案可重用的 patterns。

Step 4 結束時更新「知識寫入 Manifest」：

learn-eval 完成後，將提取到的 patterns 回寫至 manifest（新增條目或更新狀態）：

## 知識寫入 Manifest（Step 4 更新版）

| # | 項目摘要 | 目標知識庫 | 狀態 |
|---|---------|-----------|------|
| 1 | [決策] 選 A 不選 B 的原因 | docs/decisions/ | 已寫入 ✅ |
| 2 | [研究] 3 個框架比較結果 | research/ | 已寫入 ✅ |
| 3 | [feedback] 使用者偏好修正 | MEMORY.md | 已寫入 ✅ |
| 4 | [pattern] 跨專案可重用模式 | ~/.claude/skills/learned/ | 已提取 ✅ |
| 5 | [pattern] learn-eval 新發現模式（如有） | ~/.claude/skills/learned/ | 待 Step 5 驗證 |

expected_count（更新後）= N'

品質評估： learn-eval 會自動進行 5 維度評分，至少達 3 分才會保存。

寫入格式強制規範： 新寫入的 learned skill 必須包含以下 frontmatter：

---
name: <kebab-case-slug>
description: "<適用場景一句話>"
user-invocable: false
origin: auto-extracted
---

品質評分必須使用 5 維度表格格式：

廢棄 specificity=4, actionability=5,... 單行格式。

既有 learned skills 的格式修復 → /curation（批量 remediation）。

Step 5: 知識庫交叉比對（Manifest-driven 驗證 + 主動寫入）

（依據：DAMA-DMBOK Completeness + arXiv:2509.18970 結構性驗證優先於語意驗證）

learn-eval 完成後，執行 manifest-driven 最終驗證，確認所有知識庫都已正確更新。不依賴 LLM 語意判斷「應該沒有遺漏」，必須使用 grep/glob/count 等確定性工具逐條驗證。

盤點本次 session 涉及的知識庫位置：

Manifest-driven 驗證步驟（依據：DAMA-DMBOK Completeness）：

接收 Step 3/4 的「知識寫入 Manifest」（expected_count = N'），執行以下確定性驗證（不可用自由語意判斷代替）：

1. 逐條枚舉 manifest 所有項目——列出所有 N' 個預期寫入項目
2. 對每個項目使用 grep/glob 驗證是否已寫入對應知識庫：

- 決策/研究類 → Grep(pattern="<關鍵詞>", path="<目標目錄>") - learned skill → Glob(pattern="~/.claude/skills/learned/*.md") + 讀取確認內容 - MEMORY.md feedback → Grep(pattern="<偏好關鍵詞>", path="<MEMORY.md 路徑>")

1. 計數比對： expected_count（N'）- actual_verified_count（grep 確認存在數）= 差集
2. 差集 = 遺漏項，為每個遺漏項主動起草修正內容（不只列出差異）
3. 交叉檢查：是否有跨知識庫的不一致（例如 MEMORY.md 與 learned skill 矛盾）

Manifest 逐條驗證輸出格式（必填）：

主動寫入流程： 差集 > 0 時：

1. 列出「有做但未記錄的決策/知識」
2. 為每個遺漏項起草修正內容
3. HITL 確認：

知識庫交叉比對發現以下遺漏（Manifest 差集）：

1. [MEMORY.md project] 本次選擇 X 架構的決策未記錄
   驗證方法：grep "X 架構" → 0 結果
   起草內容（memory file `project_architecture_xxx.md`）：
   選擇 X 架構而非 Y，因為...（含 trade-offs 和 rationale）

2. [learned skill] 本次發現的 debugging pattern 未提取
   驗證方法：glob ~/.claude/skills/learned/*.md → 無匹配
   起草內容：...

[確認寫入] / [調整後寫入] / [跳過]

1. 確認後直接寫入對應知識庫

MEMORY.md 路徑定位：

• 路徑規則：~/.claude/projects/<project-hash>/memory/
• project-hash = 專案絕對路徑中 / 替換為 -，去除開頭 -
• 用 Glob 驗證路徑存在
• 若目錄/檔案不存在 → 用 AskUserQuestion 確認後建立

無遺漏時的 HITL 確認：

知識庫交叉比對結果（Manifest-driven 驗證）：
✅ MEMORY.md — grep 確認已記錄 xxx（第 N 行）
✅ learned/yyy.md — glob + 讀取確認，內容與實作一致
✅ 專案知識庫 — Step 3 識別的 N' 個項目全部 grep 驗證通過

計數比對：expected_count = N'，verified_count = N'，差集 = 0

[確認無誤，結束]

Step 6: 總結報告

所有步驟完成後，輸出最終報告：

## /update 執行結果

### 文件更新
- 列出所有更新的文件檔案及變更摘要

### 品質審查
- 列出 code-reviewer 的審查結果
- 標示已修正 / 未修正的項目

### 對話 context 整理
- 列出提取的 context 及寫入位置
- 標示知識庫類型（專案知識庫 / learned skill / MEMORY.md）

### 知識提取
- 列出 learn-eval 提取的 patterns
- 標示保存位置（全域 / 專案級）

### 知識庫交叉比對
- 列出比對結果（✅ 已確認 / ✅ 已修正寫入 / ⏭️ 使用者跳過）

### 建議下一步
- 如果有未修正的問題，建議處理方式
- 如果適合開 PR，建議執行 `/pr`

Step 7: Pipeline 串接（選擇性）

檢查 $ARGUMENTS 是否包含其他 skill 名稱（如 /pr）。如果有，在 /update 完成後自動觸發。

串接觸發

如果 $ARGUMENTS 包含 "/pr"：
  → 使用 Skill tool 觸發 /pr（傳入 $ARGUMENTS 中 /pr 後面的參數）

如果 $ARGUMENTS 包含其他 /<skill-name>：
  → 使用 Skill tool 觸發對應 skill

資源去重

串接時，/update 已完成的工作會透過環境標記傳遞給下游 skill，避免重複執行：

串接 /pr 時的去重規則：

實作方式： 觸發 /pr 時，在 prompt 前加上以下指示：

[PIPELINE: from /update]
以下步驟已由 /update 完成，請跳過：
- Step 2 (Quick Review) — 已由 code-reviewer agent 完成，無 CRITICAL/HIGH 問題
其餘步驟正常執行。

用法範例

/update /pr        # 先更新知識庫，再自動 commit + push + 建立/更新 PR
/update /pr 7238   # 先更新知識庫，再更新 PR #7238

注意： 只在 /update 所有步驟（包含使用者確認）完成後才觸發下一個 skill，不會中途跳轉。