核心用法
Self Reflection 是一款专为 AI 代理设计的质量保障技能，通过三层触发机制实现持续改进：
Pre-Delivery（预交付检查）：在发送重要成果前强制暂停 30 秒，使用 7 维度评估法（正确性、完整性、清晰度、健壮性、效率、一致性、自豪感）进行快速扫描，任一维度低于 7/10 则修复后再交付。
Post-Mistake（错误后分析）：用户纠正时立即捕获数据，使用「5 Whys」分析根本原因，按标准格式记录到 ~/reflection/reflections.md。
Pattern Detection（模式检测）：同类错误出现 3+ 次即升级为模式，创建预防规则并注入后续工作，实现「事前提醒」而非事后补救。
显著优点
- 防重复失误：将单次错误转化为可复用的预防规则，打破「代理健忘」循环
- 轻量高效：30 秒预检查设计，避免过度反思的性能损耗
- 主动注入：在任务开始前自动提示相关历史教训，而非被动等待用户纠正
- 可视化追踪： streak 计数器和模式生命周期管理（Emerging → Active → Monitoring → Resolved），提供清晰的改进进度反馈
潜在缺点与局限
- 依赖本地存储：所有数据保存在
~/reflection/目录，无云同步时跨设备失效 - 启动成本：首次使用需完成 setup 流程并建立个人习惯
- 判断门槛：「重要工作」的界定依赖代理自身判断，可能漏检或过度检查
- 长周期验证：模式从 Active 到 Resolved 需 30 天零复发，验证周期较长
适合人群
- 需要高频交付高质量代码/文档/策略的技术用户
- 对代理重复犯错感到困扰、希望建立系统性改进机制的用户
- 重视可追溯学习、愿意投入初期配置换取长期效率的进阶用户
常规风险
- 数据丢失风险：本地文件损坏或误删将导致完整反思历史丢失，建议配合版本控制
- 隐私暴露：反思日志可能包含敏感的工作细节，存储位置需符合用户安全策略
- 过度自信风险：7 维度自评仍属代理自我判断，无法完全替代人类审核
- 模式误判：统计阈值（3 次触发）可能因样本量小产生假阳性规则