核心用法
ia-reflect 是一个系统性的会话回顾与技能审计工具，用于在对话结束时或用户明确要求时执行结构化复盘。其核心流程涵盖七大步骤：
1. 会话全扫描：按类别（失误/摩擦/浪费/成功）提取具体证据，每项需引用原文并说明影响
2. 代码审查扫描：若会话涉及PR/MR审查，捕获"评审陷阱"模式——包括接受他人反馈时的盲点，以及自己评审失误的误判规律
3. 运营洞察提取：应用"5分钟过滤"，只保留能为未来会话节省5分钟以上的经验
4. 改进建议排序：输出最多10条可执行的改进项，询问用户哪些需要持久化存储
5. 技能审计：检查调用过的技能是否缺少成功标准、自我验证循环，标记冗余措辞、可合并章节、过大示例等token低效问题
6. 记忆捕获：处理remember:高置信信号及各类修正模式，支持可选的UserPromptSubmit钩子预筛选
7. 模式检测：发现2次以上重复任务但无对应技能时，建议创建新技能
显著优点
- 结构化强制：通过表格化分类、引用原文要求，避免复盘流于空泛
- 双向审查捕获：独特关注"自己评审他人"时的误判模式，而非仅关注被评审
- 可测量的成功标准：每个技能审计项要求具体、可验证的改进（diff形式呈现）
- 分层记忆机制：
remember:即时捕获 + 修正模式批量处理，兼顾效率与准确性 - 自我修正闭环：内置"Self-Check"要求，输出前必须验证全部成功标准
潜在局限
- 依赖会话上下文：若对话历史被截断或工具调用记录不完整，复盘可能遗漏关键交互
- 无外部验证：自我审计缺乏第三方视角，可能延续自身的系统性盲点
- 记忆存储手动：用户需主动选择"哪些该记住"，存在遗忘风险
- Review陷阱识别难度：误判模式需要足够样本才能显现，单次会话可能"无收获"而沉默
- Token成本：全扫描 + 多步骤处理对长会话消耗显著
适合人群
- 高频使用Claude Code的开发者，希望系统性减少重复错误
- 团队协作中频繁进行代码审查的工程师
- 正在构建自定义skill库、需要持续优化的进阶用户
- 对AI输出质量有严格要求、愿意投入复盘时间的质量敏感型用户
常规风险
- 过度归因：可能将外部工具失败、用户输入模糊错误归类为自身失误
- 模式过度泛化：少量样本即建议新skill，可能导致skill库膨胀
- 记忆污染：自动捕获的修正模式未经用户确认即存储，可能固化错误理解
- 复盘疲劳：频繁触发
/ia-reflect增加认知负担，用户可能选择跳过 - 隐私暴露：代码审查内容、项目特定记忆可能包含敏感信息写入本地文件