核心用法
ia-reflect 是一个面向 AI 会话的结构化复盘与技能审计工具。用户通过触发该 skill，系统将执行以下流程：
1. 会话全量扫描：逐条分析对话历史，分类标记错误输出、意图误读、重复澄清、无效工作等四类信号
2. 代码审查专项扫描（如适用）：区分「我收到评审意见」与「我评审他人代码」双向场景，捕捉盲区模式与评审陷阱
3. 运营经验提取：应用「5 分钟过滤器」——仅保留能为未来会话节省 5 分钟以上时间的关键洞察
4. 改进项生成：输出不超过 10 条的优先级排序行动项，每条为单一祈使句，确保可执行性
5. 技能审计（如会话中调用了其他 skills）：检查 Success Criteria 缺失、Token 冗余、边界模糊等问题，以 diff 形式提出修改建议
6. 记忆捕获：识别 remember: 前缀指令、矫正模式等信号，持久化到项目记忆目录
显著优点
- 结构化而非感性复盘：强制要求「引用具体对话片段+量化影响」，避免模糊的「下次注意」
- 双向代码审查学习：独特覆盖「被评审」与「评审他人」双视角，建立个人盲区档案与评审陷阱清单
- 可验证的输出质量：内置 Self-Check 门控，要求满足全部 Success Criteria 后方可输出，失败则迭代（上限 5 次）
- 记忆系统深度整合：与
~/.claude/projects/记忆目录规范打通，实现跨会话经验累积
潜在局限
- 依赖完整对话历史：若上下文截断或会话跨多个线程，扫描可能遗漏早期交互
- 主观判断难以消除：「摩擦」与「浪费」的界定仍需 LLM 推断，可能误标或漏标
- 评审陷阱的确认门槛：Outbound 评审场景中，「有效反驳」与「无效反驳」的区分依赖用户反馈，skill 本身无法自主验证
- Token 成本较高：全会话扫描 + 多维度分析对长对话的 Token 消耗显著
适合人群
- 高频使用 AI 辅助编程、需要持续优化协作效率的开发者
- 团队 Tech Lead 或代码审查者，希望建立个人/团队的「常见盲区清单」
- 构建自定义 Claude Code 工作流的高级用户，追求 session-level 的持续改进
常规风险
- 记忆污染风险：自动捕获的
remember:内容未经人工确认直接持久化，存在误将临时指令固化为长期规则的可能 - 过度归因风险：可能将外部工具失败或用户表达不清误判为 AI 输出缺陷
- 改进项疲劳：若用户不主动选择「persist to memory」，高频率复盘可能流于形式，失去行动价值
使用建议
建议在以下场景主动触发：
- 会话中出现多次澄清或用户显式纠正
- 完成重要代码审查（PR/MR 场景）
- 会话收尾前确认「有什么值得记住的经验」