Reflect

核心用法

reflect 是一个自改进工作流技能，用于从用户反馈中提取学习点并将其永久化。核心命令包括 /reflect（手动分析会话）、/reflect on/off（开关自动反射）、/reflect status（查看状态）、/reflect review（审核待验证学习）。使用时，技能会扫描对话中的信号（如"never"、"always"、"wrong"等显式纠正），按高/中/低置信度分类，映射到对应的代理文件或MEMORY.md，并生成包含diff的更新提案供用户审批。

显著优点

1. 经验沉淀机制：将一次性纠正转化为跨会话的持久规则，避免重复错误
2. 智能信号检测：三层置信度体系（HIGH/MEDIUM/LOW）区分显式纠正、认可模式和观察模式
3. 灵活目标映射：自动将学习归类到代码风格、架构、流程、领域、工具等类别，匹配正确的代理文件
4. 技能创建能力：符合标准（可复用、非平凡、具体、已验证、无重复）的学习可自动升格为独立SKILL.md
5. 人机协同设计：所有变更需显式用户批准，支持选择性应用和修改后再提交
6. 完善的钩子和集成：支持PreCompact自动触发、与/handover集成、Session Health提醒

潜在缺点与局限性

1. 依赖信号明确性：对用户含蓄反馈或语境依赖的纠正识别能力有限
2. 质量门主观性："非平凡"、"可复用"等判断依赖LLM评估，可能误判
3. 代理文件膨胀风险：持续累积规则可能导致代理文件过长，影响上下文效率
4. 冲突检测不完善：只能检测表面矛盾，深层语义冲突可能遗漏
5. 跨项目迁移复杂：项目特定学习需手动判断何时应全局化
6. 初期配置成本：状态目录、钩子配置、环境变量设置需要一定上手时间

适合人群

• 高频使用Claude Code进行复杂项目开发的工程师
• 需要维护多个项目、希望经验跨项目迁移的团队
• 对代理行为有明确偏好、追求一致性输出的用户
• 愿意投入时间建立个人/团队编码规范体系的开发者

常规风险

1. 过度拟合风险：将特定项目的临时workaround错误编码为通用规则
2. 规则冲突：新旧规则矛盾导致代理行为混乱，需定期审查
3. 自动提交误操作：若用户习惯性按Y，可能接受未仔细审查的变更
4. 隐私泄露：反思日志可能包含敏感代码片段，需注意存储位置权限
5. 版本控制污染：频繁的小幅agent文件更新可能污染git历史，建议配合squash策略

核心用法

Reflect 是一个 Agent 自我改进工具，通过分析对话提取学习信号，将用户纠正和成功经验转化为持久化配置更新。主要使用场景包括：用户明确纠正行为("never do X", "always Y")、会话结束或上下文压缩时、用户主动请求 /reflect、识别出值得保留的成功模式。

主要命令：

• /reflect - 分析当前对话提取学习点
• /reflect on/off - 启用/禁用自动反思
• /reflect review - 审核低置信度学习项
• /reflect [agent] - 针对特定 Agent 进行反思

工作流程：
1. 信号检测：扫描对话识别 HIGH/MEDIUM/LOW 三级置信度信号（如"never"、"always"、"perfect"等触发词）
2. 分类映射：将学习点映射到目标文件（代码风格→开发者 Agent、架构→架构师 Agent、流程→CLAUDE.md 等）
3. 技能评估：判断学习点是否值得创建为新技能（需满足可复用、非显而易见、有具体触发条件、已验证、无重复五项质量门）
4. 生成提案：以标准格式输出修改建议，包含 diff、置信度、理由和冲突检查
5. 用户审批：必须获得显式用户批准才应用变更，支持选择性应用或修改
6. 提交记录：使用描述性消息提交到版本控制，更新学习日志和指标

显著优点

永久学习机制：核心理念"Correct once, never again"确保用户纠正一次即可永久生效，避免重复犯错。

结构化流程：从信号检测、分类、质量评估到变更提案，流程清晰严谨，减少随意性。

Human-in-the-Loop：所有变更需用户显式批准，展示完整 diff 后才执行，保留人工控制权。

智能分类系统：自动将学习点路由到正确的 Agent 文件，支持代码风格、架构、流程、领域知识、工具偏好等多维度学习。

技能孵化能力：不仅能更新现有 Agent，还能识别并创建全新的可复用技能，形成正向循环。

完整版本控制：所有变更通过 Git 提交，支持 git revert 回滚，学习历史可追溯。

本地优先设计：数据仅存储在本地目录（~/.reflect/ 或 ~/.claude/session/），无外部网络调用，符合隐私要求。

多层级存储：支持项目级（版本化）和全局（用户级）双轨存储，灵活适应不同场景。

潜在缺点与局限性

依赖用户主动触发：除非启用自动模式，否则需要用户记得运行 /reflect，可能遗漏学习机会。

信号检测局限：基于关键词和模式匹配，可能误判语境（如"never mind"被误判为纠正信号）。

质量门主观性：技能创建的"非显而易见"等标准依赖实现判断，可能存在边界模糊。

变更累积风险：持续追加规则可能导致 Agent 文件臃肿，缺乏自动清理或去重机制。

冲突检测简单：仅做基础规则比对，复杂语义冲突可能无法识别。

学习延迟：仅在特定时机触发，实时对话中的即时调整仍依赖基础模型能力。

迁移成本：已有项目的大量历史对话无法 retroactive 分析，只能从启用后开始积累。

适合人群

• 长期使用 Claude Code 的开发者：积累个人/团队编码规范和偏好
• 多项目切换的工程师：在不同项目间保持一致的交互模式
• 团队技术负责人：建立可传播的团队级 Agent 配置标准
• 追求效率的极客用户：愿意投入初期配置时间换取长期效率提升
• 需要定制化 AI 助手的企业用户：将组织规范编码到 Agent 行为中

常规风险

权限使用风险：申请 Read/Write/Edit/Bash 权限，虽然遵循最小权限和人工审批原则，但仍需谨慎授权。

配置漂移风险：多个项目或用户可能产生冲突的学习规则，需要定期 review 和整合。

过度特化风险：过于具体的个人偏好可能降低 Agent 的通用性和适应性。

存储管理：学习数据持续积累，长期运行需关注磁盘使用和备份策略。

版本兼容性：Agent 文件格式更新可能导致历史学习规则需要迁移。