Reflect

核心用法

Reflect 是一种独特的 AI 自我改进机制，通过分析对话中的纠正信号和成功经验，将学习成果永久编码到 Agent 定义中。用户可通过 reflect、reflect on/off 等命令触发，支持自动/手动两种模式。

工作流程分为五步：1) 扫描对话中的纠正信号（高/中/低三档置信度）；2) 将信号分类映射到目标 Agent 文件；3) 识别值得升级为独立 Skill 的学习；4) 生成结构化改进提案；5) 经用户批准后应用变更。

显著优点

• 持久化改进：不同于单次会话的上下文学习，变更写入文件永久生效
• 精准信号检测：基于关键词（never/always/perfect 等）的三级置信度体系
• 智能分类映射：自动识别代码风格、架构、流程、领域知识等类别并路由到对应 Agent
• 质量门槛过滤：新 Skill 需通过「可复用、非平凡、具体、已验证、无重复」五项检验
• 人机协作：所有变更须经用户显式批准（Y/N/modify/选择性应用），支持查看完整 diff

潜在缺点与局限性

• 依赖自然语言信号：若用户未使用明确纠正词汇（如 "never"），可能漏检
• 分类映射静态化：agent_mappings.md 需要手动维护更新
• 存储分散：学习成果分布在项目级（.claude/）和用户级（~/.reflect/）两个层级
• 冲突检测有限：仅警告规则冲突，复杂逻辑冲突需人工判断
• 冷启动问题：新 Agent 尚未积累学习时效果有限

适合人群

• 需要与 AI 建立长期协作关系的开发者团队
• 对代码规范、架构决策有一致性要求的项目
• 频繁调试特定领域问题（如 React 水合错误）的前端工程师

常规风险

• 过度拟合个人偏好：若单人用户的特殊习惯被编码，可能影响团队协作
• 规则膨胀：长期积累可能导致 Agent 定义文件臃肿
• 误信号风险：用户口语中的 "never" 可能被误判为明确指令
• 权限安全：具备 Write/Edit 文件权限，需确保 .claude/ 目录访问可控

核心用法

Reflect 是一个元认知型 Skill，用于将单次对话中的学习成果转化为 Agent 的永久能力。用户通过自然语言触发（reflect、what did I learn 等），系统会扫描对话历史中的校正信号——从明确的 "never/always" 指令到隐性的成功模式——将其分类并映射到对应的 Agent 配置文件（如 CLAUDE.md、code-reviewer 等）。

工作流程分为五步：信号扫描 → 分类匹配 → Skill 价值评估 → 生成修改提案 → 用户批准后应用。所有变更均需显式确认，支持选择性应用和修改，符合 Human-in-the-Loop 原则。

显著优点

永久性学习：不同于上下文窗口的临时记忆，学习成果写入文件系统，跨会话持久化。

结构化信号处理：将模糊的自然语言反馈转化为 HIGH/MEDIUM/LOW 置信度的结构化信号，减少误报。

增量安全设计：仅追加、不删除，自动检测规则冲突，保护既有配置完整性。

Skill 孵化机制：复杂调试经验（>10分钟、非文档化的 workaround）可升级为独立 Skill，实现知识复用。

完整审计追踪：内置 metrics 追踪，记录接受率、高频更新 Agent、技能创建数等。

潜在局限

依赖用户主动性：需用户显式触发或启用 reflect on，无法自动感知学习时机。

信号质量不确定：MEDIUM/LOW 置信度信号容易产生误报，需人工筛选。

配置膨胀风险：长期积累可能导致 CLAUDE.md 臃肿，需要定期人工清理（文档已提醒）。

英文优化：信号检测关键词（never/always/wrong 等）对中文用户覆盖不足。

适合人群

• 高频使用 Claude Code 的开发者，希望减少重复沟通
• 团队希望统一代码风格/流程规范，并通过 AI 自动固化
• 愿意投入初期调教时间，换取长期效率提升的进阶用户

常规风险

• T3 来源风险：个人开发者维护，需关注版本更新审查
• 误编码风险：LOW 置信度信号错误编码，需设置自动反射阈值
• 配置覆盖风险：虽有人工确认环节，但批量模式下仍需警惕