1. 基本信息
| 项目 | 内容 |
|---|---|
| 名称 | senior-fullstack |
| 作者/维护者 | alirezarezvani |
| 来源链接 | https://github.com/alirezarezvani/claude-skills/tree/main/engineering-team/skills/senior-fullstack |
| 许可证 | MIT（数据来源：GitHub API） |
| GitHub Stars | 23,877（数据来源：GitHub API；该数字属整个 claude-skills 合集仓库，不代表本技能自身热度） |
| Forks | 3,350（数据来源：GitHub API） |
| 最新版本 | v2.8.1（所属 engineering-skills 插件包版本，数据来源：仓库 marketplace.json） |
| 安装方式 | 手动复制 / 仓库自带插件市场 / agent-skills-cli 命令行 |
2. 功能介绍与亮点
senior-fullstack 是一套面向全栈项目的开发工具箱，围绕“选型 → 搭建 → 检查”三个环节各配一件实打实的工具，而不是一份纯人设提示词：
- 技术栈决策引擎（
fullstack_decision_engine.py）：输入团队规模、发版节奏、是否面向用户、预算等四项必填参数（可选流量与数据敏感度），确定性地从四套内置方案中匹配一套，给出 SLO 底线与审批链，参数不全时直接拒绝给建议，不臆测。 - 项目脚手架（
project_scaffolder.py）：一条命令生成 Next.js（App Router + TypeScript + Tailwind）、FastAPI+React、MERN、Django+React 四套技术栈的完整项目骨架，含 Docker 配置与环境变量模板。 - 代码质量分析器（
code_quality_analyzer.py）：扫描现有代码库，输出 0–100 分及字母等级，覆盖安全漏洞（硬编码密钥、注入风险）、圈复杂度、依赖健康度（含已知 CVE）、测试覆盖率估算、文档完整度，并按优先级给出修复建议。 - 配套 4 份 JSON 场景画像（企业级、SaaS 初创、内部工具、营销站点）与 5 份参考文档（架构模式、开发工作流、技术栈选型指南等），把“怎么选、怎么搭、怎么查”串成一条完整流水线。
三个脚本均为纯标准库 Python（argparse/json/os/re/pathlib），无 subprocess、无网络调用、无 eval/exec。仓库最近一次更新该技能目录是 2026-06-10，属近期维护。
3. 适用场景
所属分类：工程效率与代码质量
适合需要快速搭建新全栈项目、或对现有全栈代码库做一次系统性质量体检的 Claude Code 用户——比如独立开发者启动一个新 SaaS 项目前先跑一遍决策引擎确定技术栈，或团队在合并大版本前用质量分析器扫一遍找出高优先级安全与复杂度问题。四套内置模板（Next.js / FastAPI+React / MERN / Django+React）覆盖了当下最常见的全栈组合，决策引擎与分析器则不挑具体框架，可用于评估决策引擎未内置的技术栈。
4. 跨 Agent 兼容性
- Claude Code：原生支持——仓库文档给出手动复制路径
~/.claude/skills/，也可通过仓库自带插件市场安装 - Codex：仓库安装文档列出对应路径
~/.codex/skills/，可手动复制安装 - OpenClaw：未在已抓取材料中找到明确说明，未验证
- Hermes Agent：未在已抓取材料中找到明确说明，未验证
以上判断依据已抓取到的仓库安装文档，未对每个平台逐一实测运行效果。
5. 推荐理由
多数“全栈脚手架”类工具要么只管生成骨架、不管后续代码质量，要么是一份泛泛而谈的最佳实践清单、没有可执行的产出。senior-fullstack 把选型、生成、体检三步做成三个可独立调用、也可串联使用的确定性工具，且全程零外部依赖、零网络请求，装上就能用，不需要额外配置任何 API key。
6. 评分
| 维度 | 分数 | 说明 |
|---|---|---|
| 受欢迎程度 | 6 | 母仓库 23,877 星是整个 claude-skills 合集的数字，不代表本技能自身热度。本技能自身可查证的证据为：第三方开发者 fernandezbaptiste 提交并被合并的改进 PR（附实测效果数据），以及第三方技能目录 skills.sh 记录的 1.1K 次独立安装 |
| 可用性 | 9 | 三个脚本均支持 --help；决策引擎与脚手架均可一条命令直接运行且提供 --sample/--json 输出；配 5 份参考文档与 4 份场景画像；技能目录最近一次更新为 2026-06-10；纯标准库实现，无付费依赖 |
| 安全性 | 9 | 见下方安全检查清单 |
综合评分：8.0（三项均值）
安全检查清单：
- Shell 命令执行：无——三个脚本均不调用 subprocess/os.system，只做本地文件读写与静态文本分析
- 联网外发：无——代码中未发现 requests/urllib/socket 等网络调用
- API key/凭据：不需要
- 可疑指令：审阅 SKILL.md 与三个脚本全文，未发现隐蔽指令、混淆代码或数据外发迹象
- 作者/组织信誉：alirezarezvani/claude-skills 是活跃维护中的开源合集仓库（23,877 星，MIT 协议），未发现刷星或误导性营销迹象
- License：MIT，明确
- 最近维护：技能目录最近提交 2026-06-10；仓库整体最近一次推送 2026-08-05，非弃置项目
7. 跟同类 Skills 相比的优势
| 对比对象 | 定位 | 与 senior-fullstack 的差异 |
|---|---|---|
| React Doctor | 代码质量诊断，聚焦 React 单一框架 | 只覆盖 React 一种技术栈，无脚手架与技术栈决策能力；senior-fullstack 跨 4 套全栈组合，另附决策引擎与项目生成器 |
| code-review-getsentry-skills（Sentry 官方） | 通用代码评审技能 | 专注评审环节本身，不涉及新项目搭建或技术栈选型；senior-fullstack 把评审前置到“该不该选这个栈、该怎么搭”的更早阶段 |
| 同仓库内 senior-backend / senior-devops 等资深角色技能 | 各自聚焦单一岗位视角（后端 / DevOps 等）的建议型技能 | 多为单一视角的咨询型技能，不自带可执行脚本工具链；senior-fullstack 横跨前后端并提供三件可独立运行的确定性工具（决策引擎、脚手架、质量分析器） |
8. 用户评价
开发者 fernandezbaptiste 在提交给该技能的改进 PR 中写道：其对 senior-fullstack 做过评测，发现该技能在触发匹配（如“create a new app”）与描述清晰度上有提升空间，改进后使相关任务的智能体表现从约 43% 提升到约 93%；改进已于 2026-02-17 被仓库维护者合并。该技能目前在其他第三方平台尚无具名用户评价，但已被第三方技能目录 skills.sh 单独收录并记录安装次数。
9. 其他补充
仓库同批次（v2.8.1）还对 senior-frontend、senior-backend 等相邻资深角色技能做过一致性升级，采用同一套“7 问强制澄清库 + 4 份场景画像 + 决策引擎”设计范式，供有兴趣深入单一岗位视角的用户参考。
10. 安装使用方式
渠道一：手动复制
git clone https://github.com/alirezarezvani/claude-skills
cp -r claude-skills/engineering-team/skills/senior-fullstack ~/.claude/skills/senior-fullstack渠道二：仓库自带插件市场
仓库根目录提供 marketplace.json 配置（该技能归属 engineering-skills 插件包，随 32 个工程类技能一并安装），可按仓库 README 的插件安装说明接入。
渠道三：agent-skills-cli
npx agent-skills-cli add alirezarezvani/claude-skills/engineering-team/senior-fullstack安装后注意事项：无需重启客户端；在对话中提及“scaffold a new project”“analyze code quality”“what stack should I use”等触发短语即可加载技能。运行脚手架前需自行准备好目标语言/框架的运行环境（如 Node.js、Python）；决策引擎要求提供团队规模、发版节奏等四项必填参数，缺失会被直接拒答而非臆测。
11. 注意事项
- 已知限制：项目脚手架固定支持 Next.js、FastAPI+React、MERN、Django+React 四套模板，不在此列的技术栈需要用户自行改造生成结果；代码质量分析器基于启发式规则与正则模式匹配，不能替代专业静态分析工具的深度检测。
- 兼容性问题：OpenClaw 与 Hermes Agent 的适配情况未验证，仅确认 Claude Code 与 Codex 有明确安装路径。
- 潜在风险：三个脚本均在本地运行、无网络调用，风险主要在于误信分析器给出的“质量分数”当作权威结论——它是启发式估算，建议作为发现问题的起点而非最终判定。