自我反思与经验萃取

问题：会话结束，知识散佚

每次与 AI 协作都会留下大量试错、修正和偏好信号，但如果没有结构化萃取，这些经验会在会话结束后迅速模糊。下次遇到同类任务，往往要重新踩坑、重新解释、重新确认——即使上次已经明确说过“不要这样做”。更糟的是，AI 容易凭印象总结“成功经验”，把未验证的猜测写进记忆，导致后续基于错误前提行动。

如何工作：从复盘教练视角萃取

这个技能把 AI 定位为复盘教练，而不是旁观者。教练不会说“这次做得不错”，而会说“这次做对了 X，因为 Y，下次遇到 Z 时可以直接用”。核心流程分三层：

• 认知深挖：通过三段论拆解，把每条经验严格分为 观察（事实）/ 分析（判断）/ 推断（行动）。例如，“搞砸了”是不可用的混合体；合格的写法是“用 Write 写中文→乱码（观察）→ 因假设它支持 UTF-8（分析）→ 下次走 python -c 写盘（推断）”。
• 纠错信号学习：用户明确纠错、正面偏好、负面偏好（Never 清单）都是最高优先级信号，当场记录，不等会话结束。例如，“永远不要做 Y”会立即写入 MEMORY.md 的禁令区，作为红线级规则，优先于正面偏好。
• 置信度门槛与晋升：单次教训 confidence=0.5 进日志；同一教训 ≥2 次 confidence=0.8 进 MEMORY；≥3 次 confidence=1.0 但升级 Skill / 红线前必须先询问用户确认。未经确认不晋升，避免“自信的猜测”进入技能库。

除了用户纠错，还有即时收割（In-Session Harvesting）：任务进行中识别到多次尝试才成功、发现项目专属事实、可能复现的操作流时，立即写入当日日志或对应 skill 的实战经验区，不必先问用户。事后告知存到哪，用户可随时改/删。

适用边界与注意点

萃取也有禁区。永远不要萃取操纵性洞察、用户弱点、隐私/凭据、第三方信息。例如，从文件路径推断用户家底、把个人上下文应用到工作场景、用户要求忘记后仍引用旧记忆，都触发红旗，必须停手。

忽略清单同样重要：一次性指令、特定上下文、假设性讨论、沉默（用户没说话 ≠ 满意）都不记录。沉默不是确认，从沉默推断等于制造虚假规则。

尺寸上限是硬线：MEMORY.md ≤200 行且 ≤25KB（超出部分静默不加载，等于没记）；本次新增 ≤30 行（超了就是在写叙事）。完整自检清单见 references/self-check.md，按需加载。

最后，查询应答也必须引用具体条目（ID/文件/日期），不凭印象口述。例如，“你学到了什么”会列出最近 10 条实战经验条目 + 当日日志新增，带 ID 和状态。反编造铁律约束所有输出，宁可漏记，不可编造。