用途：Creating Expert 是一个元技能（meta-skill），用于为新的技术或领域生成完整的专家结构，从而扩展项目中的专家体系。它面向需要添加新技术栈、创建领域专家、拆分已有专家或扩展核心专家范围（convex、nextjs、shadcn、vercel 之外）的场景。
主要能力：通过访谈确认专家名称（kebab-case）、领域一句话描述、初始知识来源（文档、智能体文件、既有代码）以及与现有智能体的关系；创建 .claude/experts/{expert-name}-expert 目录及三个文件：expertise.yaml（包含领域模式、常见问题、关键文件、代码库约定、演化日志和元数据，初始版本 0.1.0、置信度 low）、question.md（基于累积专家知识并结合代码库验证的问答工作流）、self-improve.md（探索代码库、验证模式出现次数、更新置信度、发现新模式并递增版本的自改进工作流）；更新 ask-expert.md 调度器中的专家列表和 expertMap；运行初始自我改进以填充真实模式；可选地创建或增强对应智能体引用。
使用方式：先进行用户访谈收集信息；执行 mkdir -p .claude/experts/{expert-name}-expert 创建目录结构；参照 .claude/experts/_shared/expertise-schema.yaml 模板生成 expertise.yaml，用现有智能体文档、官方技术文档、常见最佳实践或用户提供的知识填充初始模式；参照现有专家（如 convex-expert）的 question.md 和 self-improve.md 定制领域特定的搜索模式、关键文件和验证步骤；更新 .claude/commands/ask-expert.md；执行 self-improve 提示词完成初始填充；最后用示例问题测试。创建完成后可提供包含领域、位置、生成文件、初始自改进结果和后续步骤的总结。
适用场景：为技术栈添加新专家（如 postgres-expert）、创建领域专家（如 auth-expert）、拆分现有专家为子领域、扩展核心专家之外的领域。示例中展示了为测试模式创建 testing-expert 的完整流程。
限制与注意事项：新专家初始置信度较低，需要多轮自我改进逐步提升；若专家找不到模式，应检查 self-improve 中的 Glob/Grep 模式和文件路径；若与现有专家覆盖重复，应考虑增强现有专家或拆分其领域；文档建议从 3-5 个初始模式开始，保持工作流模式一致，并尽早测试。