affaan-m / everything-claude-code

问题：使用Claude Code等AI助手时，每次新会话都要重新解释项目背景和代码规范，效率低下。

方案：使用项目的记忆持久化功能，通过hooks自动保存和加载上下文，让AI助手记住项目架构、编码规范和之前的讨论内容。

示例：开发者在处理大型React项目时，每次都要重新解释组件结构、状态管理方案和团队规范，使用本项目后，AI助手能记住这些信息，直接开始高效协作。

问题：AI助手对特定技术栈（如PyTorch、Next.js）或编程语言（如Kotlin、Java）的支持不够深入，需要手动补充知识。

方案：利用项目提供的技能库（如pytorch-patterns、nextjs-turbopack、java-reviewer等），为AI助手注入特定领域的专业知识和最佳实践。

示例：开发者使用PyTorch进行深度学习开发时，AI助手能自动应用项目提供的PyTorch模式技能，给出符合最佳实践的模型架构和训练流程建议。

问题：AI助手在不同会话中给出的代码质量参差不齐，有时会忘记重要约束或安全规范。

方案：通过验证循环和检查点评估机制，结合AgentShield安全扫描，确保AI助手的输出符合质量标准和安全性要求。

示例：在生成数据库查询代码时，项目会自动进行SQL注入检查，并通过验证循环确保代码符合团队的性能和安全标准。

问题：在混合技术栈项目中，AI助手对不同编程语言的支持不均衡，导致某些语言的开发效率低下。

方案：使用项目提供的多语言代理（typescript-reviewer、java-build-resolver、kotlin-reviewer等），为每种语言提供针对性的代码审查和构建问题解决能力。

示例：一个包含TypeScript前端和Java后端的全栈项目，AI助手能分别使用对应的语言代理，提供符合各自生态的最佳实践建议。