核心用法
本技能（code-analysis）是一款基于 Python 的 Git 历史描述性分析工具，可将提交记录聚合为统计指标（提交频率、文件变更模式、Conventional Commit 使用率、修复/回滚比例等），并生成 Markdown/HTML/JSON/PDF 格式的个人反思报告。
触发条件极为严格：仅响应明确包含"自我反思"或"团队复盘+知情同意"意图的请求，如：
- "对我自己的仓库做 Git 历史自查"
- "团队复盘（已获每个人同意）"
拒绝触发：模糊的"代码分析"、"对比开发者"、"谁更努力"等请求会被明确拒绝。
显著优点
- 强隐私保护设计：强制要求
--i-have-consent标志或环境变量确认，无确认则直接退出 - 多维度描述性指标：涵盖提交纪律、节奏一致性、变更模式、代码质量痕迹、代码风格标记、节奏密度六大维度
- 丰富的输出格式：支持 Markdown、JSON、HTML、PDF 同时导出
- 纯本地运行：不连接任何外部服务器，数据不出境
- 反误用机制：报告首页强制显示使用声明，指标明确标注"非评判性"
潜在缺点与局限性
- 数据盲区严重：代码评审、架构设计、技术辅导、值班运维等关键贡献完全不可见
- 指标解释依赖上下文：同一数值可能对应多种合理场景（如稀疏节奏可能是休假、on-call、批量推送等）
- Python 专属：代码复杂度分析仅支持
.py文件 - 性能瓶颈：大型仓库（10万+提交）分析耗时较长
- 复合指标仍可能被误读：尽管标注为"描述性"，S/A/B/C/D/E/F 分级仍可能被管理层曲解为绩效等级
适合人群
- 个人开发者：希望反思自身编码习惯、提交节奏的技术人员
- 技术团队：已建立高度信任文化，以" opt-in 复盘"形式使用的团队
- 开源维护者：分析公开仓库的贡献模式（无需额外同意）
- 研究人员：在符合数据保护条款的前提下研究公共仓库
常规风险
- 合规风险：若未经明确同意分析他人仓库，可能违反 GDPR、本地劳动法规及公司内部 HR 政策
- 误用风险：指标被用于绩效排名、晋升决策、PIP 制定或裁员依据
- 心理安全损害：即使匿名汇总，团队成员可能担忧数据被管理层滥用
- 数据泄露风险：生成的 PDF/HTML 报告包含个人时间戳、工作习惯等敏感信息，需安全存储
使用建议
始终将报告结果作为讨论话题（discussion prompts），而非裁决（verdicts）。每次解读指标时，先列出至少三种可能的合理解释，再邀请当事人补充上下文。