核心用法
ia-reflect 是一个会话复盘与技能审计工具，设计用于在对话结束时执行系统性回顾。用户触发后（通常通过 /ia-reflect 命令），工具会按固定流程扫描完整对话记录：
1. 会话回顾：分类标记错误输出、沟通摩擦、无效努力和成功经验，每项需引用具体对话片段
2. 代码审查扫描：双向捕获审查模式——接收的审查意见（识别自身盲点）和发出的审查意见（识别误判陷阱）
3. 运营洞察提取：应用"5分钟过滤器"，保留未来能节省5分钟以上时间的项目特异性知识
4. 改进建议：生成不超过10条按影响排序的可执行改进项
5. 技能审计：对本次使用的技能进行三维度检查——是否缺乏成功标准与验证循环、Token效率问题、内容质量缺陷
6. 捕获标记处理：识别 remember: 前缀（最高优先级）和其他修正模式，持久化记忆
7. 模式检测：发现重复任务缺口时建议新技能
显著优点
- 结构化复盘框架：将模糊的"复盘"转化为7步可执行流程，降低认知负担
- 双向审查学习：独特地同时处理"被审查"和"审查他人"两个方向的认知陷阱捕获
- 记忆机制集成：与
~/.claude/projects/<project-slug>/memory/记忆文件系统原生对接 - 技能自我改进：不仅复盘会话内容，还审计技能本身的质量，形成元学习循环
- Token效率意识：明确将"冗余措辞、可合并章节、过大示例"列为审计项
潜在缺点与局限性
- 依赖完整对话记录：若会话上下文被截断或用户清除了部分历史，复盘质量下降
- 自我报告偏差：工具要求AI"扫描完整对话"，但长对话中的早期细节可能已被注意力稀释
- 记忆持久化需用户确认：改进项需用户主动选择"记住哪些"，存在流失风险
- 10项改进上限硬性：作者承认超出的项目是"噪音"，但关键改进可能恰好在第11项
- 审查陷阱捕获依赖主观判断："我没错/我错了"的自我评估在复杂技术争论中可能不准确
- 可选捕获钩子未实现：
learnings-queue.json机制留作用户自行实现，实际采用率低
适合人群
- 高频使用Claude进行复杂项目的开发者：尤其是涉及代码审查、技术决策、迭代调试的场景
- 追求工作流持续优化的工程师：愿意投入复盘时间换取长期效率提升
- 维护个人知识库的AI用户：已建立或愿意建立
~/.claude记忆文件系统的用户 - 技能作者/维护者：需要元工具来审计和改进自己编写的技能
常规风险
| 风险 | 说明 |
|------|------|
| **隐私泄露** | 复盘过程引用具体对话片段，若日志被共享可能暴露敏感信息 |
| **负面强化循环** | 过度聚焦于"错误"和"摩擦"可能导致体验焦虑，需平衡Win记录 |
| **虚假模式识别** | 两次相似任务不一定构成新技能需求，存在过度抽象风险 |
| **记忆文件膨胀** | 无清理机制，长期积累可能导致记忆检索噪音增加 |
| **工具调用失败** | Write工具写入记忆文件失败时，学习成果丢失 |
使用建议
建议在关键里程碑（功能完成、PR合并、调试结束）后主动触发，而非每次对话结束。复盘输出中的diff格式技能改进建议，可直接应用于技能迭代。