用途：解决大型项目（10+ 仓库、数十微服务、迭代多年）下 AI 无法全局理解代码的问题——上下文装不下全部代码、组件关系散落、业务规则隐藏在深层调用链中，直接读代码既慢又不准。team-wiki-codebase 把海量代码系统化压缩为结构化、可验证、AI-Native 的知识库，让 AI 读知识库而非读源码，用约 1/50 的 token 获得全局架构认知。
主要能力：按 Phase 0 到 Phase K4 的流程运行。Phase 0 收集仓库路径、项目名、可选产品文档来源与输出路径，整理 repo-manifest.json、检测主要语言、用 git 记录基准版本，并用 teamai codebase --extract 提取可证据化的 import/call 结构边。Phase K1 做关键文件提取与架构逆向，生成 k1-architecture-map.md 并扫描 HTTP/MQ/RPC 接口清单。Phase K2 分批并行生成 Type-4 组件文档，再串行生成架构总览与桥梁文档。Phase K3 注入 AI-Native 元素并生成 G1~G9 Graph RAG 图谱，随后做跨文档一致性校验。Phase K4 用 validate_kb.py 自动校验并做准确性审计、RAG 抽检与端到端验证。
使用方式：/team-wiki-codebase 默认 Standard；--deep 完整 K1~K4 与 G1~G9；--update 增量更新已有 knowledge/；continue 从 _review/progress.json 断点继续。方法论与脚本位于本 skill 的 references/、scripts/，teamai pull 后出现在 .cursor/skills/team-wiki-codebase/ 或 .codebuddy/skills/team-wiki-codebase/。Phase 0 结构基线使用 teamai codebase --extract；TeamAI 不发布单独的 team-wiki CLI，无需额外插件。扫描脚本：python3 scripts/scan_repo.py <project_root> --depth 2 --top 10；校验脚本：python3 scripts/validate_kb.py <output_dir>。进度状态保存在 <output_dir>/../_review/progress.json。
适用场景：多仓库、多微服务、迭代多年的项目，需要让 AI 做全局架构理解、跨组件关系检索、排障与影响面分析。限制：资料未提供具体语言支持的完整清单、性能与规模上限、价格或收费方式；准确性以代码为唯一事实来源，无法验证的内容标 [UNVERIFIED]，关系置信度分 EXTRACTED/INFERRED/AMBIGUOUS 三态，架构理解与组件文档质量需两次人工确认，E2E 准确率目标 ≥80%。