用途：该技能用于编写、重构和审查 Python 代码，目标是让领域行为对人和 AI 读者都清晰可见。它主张选择最简单、最符合 Python 习惯且易于验证的设计，核心方法是 Constructive Domain Modeling：先定义程序可以构造的有效取值和结果，再让类型把义务传递给消费方。
主要能力：
- 编码前先定位环境：阅读仓库的 AGENTS.md 或 CLAUDE.md、docs/ENGINEERING_STYLE.md、以及涉及领域语言、归属、身份、事实来源或生命周期时的 docs/DOMAIN_MODEL.md，并完整阅读待改文件，识别 Python 版本、工具与需保持稳定的行为。项目本地规则优先于通用风格建议。
- 决策优先级：先保持正确性、领域不变量和公开行为，再遵循仓库约定与兼容约束，让数据流、控制流、错误和副作用显式，选择当下最能降低认知负荷的最小抽象，并用类型、测试和仓库工具证明结果。
- 建模正面空间：用 frozen dataclass 的必需字段乘积表示单一有效状态，用 Python 3.12 类型别名构造封闭并集表示有意义的备选；在 API、CLI、MCP、配置和持久化边界使用 Pydantic 与可辨识联合做运行时校验或序列化，边界解析一次后内部传递更窄的领域值。用显式 match 消费封闭并集，配合 typing.assert_never 证明穷尽，避免掩盖新变体的兜底分支。
- 函数优先于层级：从完整的普通函数开始；需要命名相关状态或结果时配 dataclass；行为确实随首参运行类型变化时用 functools.singledispatch；真正可替换行为用窄 Protocol；需要身份、可变状态、生命周期或资源所有权时才用具体类。避免单一实现的 manager、factory、base、adapter、strategy、registry 抽象。
- 保持推理本地：能自上而下读懂的工作流就放在一起；仅当名称体现领域操作、隔离副作用或约束、去除实质重复、形成可测试计算时才提取辅助函数。以 prepare、resolve、apply、build 长链为再思考数据流的信号。
- 写显式 Python：按领域概念命名，使用完整注解与窄类型，不用 Any、宽泛 cast、投机 getattr 或非结构化字典掩盖不确定性；区分缺失与假值；让异步、资源所有权、取消与清理可见；不变量或外部操作失败时用具体错误快速失败，不用异常做常规领域分支，避免静默回退与宽泛异常处理；注释决策与约束而非机制；只优化实测热点。
使用方式：按请求的模式工作。Write 模式先建立有效状态、结果与边界解析器，实现直接路径，让封闭变体穷尽，再按真实变化、状态或边界添加抽象。Refactor 模式保持可观察行为、聚焦 diff，行为有风险时新增或更新回归测试，只在小构造模型能消除真实不支持状态时改写。Review 模式报告具体的可读性、抽象、类型、生命周期与领域模型风险，给出最小可行改进，不主动编辑除非用户要求。
验证：先运行证明改动的最窄命令再按风险扩大：针对改动的聚焦测试；项目配置的格式化器、linter 与类型检查器（对封闭并集用类型检查器证明消费者穷尽）；涉及边界时运行仓库健康、打包、集成或完整门禁。最终回复先给结果与验证，设计选择仅在非显而易见或对后续工作有实质影响时解释。
限制：资料未提供具体支持的语言版本下限（仅示例提到 Python 3.12 类型别名）、完整工具清单、性能数据或与其他技能的依赖关系，暂未提供。