ava-grace-zoe/session-reflect

session-reflect 执行规范

按以下三阶段执行，不跳步。

双轨目标：

1. AI 校准：提取用户级稳定偏好和认知特征，生成 AI 可直接消费的行为指令。
2. 元认知提升：识别用户思维模式和认知盲区，在会话中直接输出认知洞察。

不做项目级复盘、心理诊断或人格测评。

一、初始化

1. 检查 ~/.agents/context.md 是否存在且可读。
2. 若不存在，执行 skills/session-reflect/scripts/setup.sh 初始化。
3. 初始化后再次读取，若仍不存在则停止并报告失败原因。
4. 检查是否包含核心章节：## 基本信息、## 综合画像（含 ### 协作风格、### 思维模式）、## AI 应对指南（含 ### 行为校准、### 认知防护、### 硬性禁区）、## 偏好与习惯。缺失则按以下结构补齐，不删除已有内容：

   # User Context
   
   ## 基本信息
   
   - 名称：
   - 主要语言：
   - 常用技术栈：
   - 沟通语言：简体中文
   
   ## 综合画像
   
   ### 协作风格
   
   暂无数据，完成首次会话反思后自动生成。
   
   ### 思维模式
   
   暂无数据，完成首次会话反思后自动生成。
   
   ## AI 应对指南
   
   ### 行为校准
   
   暂无数据。
   
   ### 认知防护
   
   暂无数据。
   
   ### 硬性禁区
   
   暂无数据。
   
   ## 偏好与习惯
   
   暂无数据。
   

5. 检查 ~/.agents/history.md 是否存在，不存在则创建空文件。

二、会话分析

2.1 A 轨证据提取（偏好）

1. 回顾当前会话，先提取用户级事实证据再给结论。
2. 仅提取跨项目可复用的证据，不记录项目私有细节。
3. 证据来源仅限当前会话中的用户交互行为（用户发送的消息、决策、反馈），不含项目配置文件（如 CLAUDE.md、AGENTS.md）中的预设内容。配置文件是项目级约束，不等于用户级稳定偏好。
4. 提取六类偏好证据：
   • A1 沟通偏好：语言、简洁度、是否接受解释、是否要先执行后解释。
   • A2 表达模式：用户表达意图时的结构特征——
     • 习惯省略哪些上下文、哪些信息依赖 AI 从会话历史主动补全。
     • XY 问题倾向：是否习惯问手段而非目标，导致 AI 解决了错误的问题。
     • 上下文遗漏类型：运行环境、版本号、前置依赖、错误日志截断等，哪类信息最常缺失。
     • 抽象度偏差：描述倾向过于抽象（"帮我优化一下"）还是过于琐碎（贴大段日志但不说目标）。
   • A3 协作偏好：是否需要确认、是否偏好直接落地、是否要求同步文档。
   • A4 工程偏好：
     • 脚本/工具偏好、测试偏好、格式与规范偏好。
     • 工程权衡默认立场：糙快猛（敏捷验证、先跑通再说）vs 防御性编程（工业级严谨、测试覆盖优先）。
     • 反复踩的坑和验证有效的模式（跨项目可复用的经验积累）。
   • A5 决策与风险偏好：速度优先或稳健优先、可接受的验证强度、容错边界。
   • A6 问题解决工作流：用户处理复杂工程和排查问题的默认切入方式——
     • 自顶向下（先对齐架构设计和协议规范再写代码）vs 自底向上（先写核心逻辑跑通再扩展）。
     • 遇到报错时的期望：直接要答案/修复方案，还是要排查思路和方向。
     • 架构设计 vs 实现细节的优先级倾向。

2.2 B 轨证据提取（认知）

1. 基于认知心理学框架，从会话行为中提取五类认知证据：
   • B1 决策模式（System 1/2）：快速决策 vs 深思熟虑的切换时机、是否存在该慢却快的场景。
   • B2 认知偏误（Cognitive Biases）：反复出现的判断偏差——锚定效应、确认偏误、沉没成本、可得性偏差等。
   • B3 知识边界感知（Dunning-Kruger）：对自身能力边界的判断是否准确，是否在不熟悉的领域过度自信或过度保守。
   • B4 反馈接受模式（Growth Mindset）：对 AI 纠正/建议的接受度、拒绝模式、是否区分"不喜欢"和"不正确"。
   • B5 注意力盲区（Bias Blind Spot）：反复忽略的信息类型——边界条件、错误处理、性能影响、安全风险等。
2. B 轨证据必须基于可观测行为，记录行为模式而非性格标签。"决策时倾向跳过验证步骤"而非"急躁"。
3. 单次会话证据不足时，标注为"初步观察"，不做定论。

2.3 生成 context.md 内容

基于双轨证据生成以下章节内容：

5. ## 综合画像：
   • ### 协作风格（A 轨驱动）：编程风格、问题拆解特征、提问反模式、表达模式、问题解决工作流、工程权衡立场。
   • ### 思维模式（B 轨驱动）：决策模式、认知偏误倾向、知识边界感知、反馈接受模式、注意力盲区。每条基于行为证据，非评判性。
   • 与已有画像合并，删除过时描述。
6. ## AI 应对指南：
   • ### 行为校准（A 轨驱动）：根据用户偏好调整 AI 行为的可执行指令。
   • ### 认知防护（B 轨驱动）：在特定场景下主动提醒/挑战用户决策的指令。示例："当用户在不熟悉的领域快速做出架构决策时，主动提供替代方案和风险提示"。
   • ### 硬性禁区：成对记录用户明确反感的 AI 行为及对应的正面偏好格式。每条禁区附带"替代做法"，示例：「禁止：冗余解释基础概念 → 替代：直接给代码 + 关键字段」「禁止：大段寒暄 → 替代：一句话结论 + 表格对比」。
7. ## 偏好与习惯：具体可执行偏好（如"文档使用简体中文""偏好 shell 脚本"）。合并重复项，保持精简。
8. 排除项（禁止写入）：项目私有目标、模块实现细节、一次性 workaround、单次任务指令。

2.4 元认知反馈（会话输出）

基于 B 轨证据，生成直接呈现给用户的认知洞察，不写入 context.md：

1. 本次会话中观察到的思维模式（正面和需注意的）。
2. 具体行为证据（引用会话中的实际交互）。
3. 可能的认知盲区或偏误倾向（附场景说明）。
4. 语气非评判性，使用"观察到……""倾向于……"而非"你的问题是……"。

三、写回与历史记录

1. 覆盖写回 ~/.agents/context.md，章节顺序：基本信息 → 综合画像（协作风格 + 思维模式） → AI 应对指南（行为校准 + 认知防护 + 硬性禁区） → 偏好与习惯。
2. 向 ~/.agents/history.md 追加一条记录（不读取全文件，直接 append），格式：

   ### vYYYYMMDD-HHMMSS
   - 时间：YYYY-MM-DD HH:MM:SS
   - 会话摘要：（一句话）
   - A 轨证据：（偏好类证据，简要列出）
   - B 轨证据：（认知类证据，简要列出）
   - 画像/偏好变更：（变更了什么）
   - 元认知反馈：（本次输出给用户的认知洞察摘要）
   

3. 写回校验：context.md 为有效 Markdown，无截断；history.md 存在本次新增条目。
4. 若写回失败，回退到写回前内容并报告失败。

输出要求

执行完成后，输出精简结果：

1. 初始化是否成功
2. 本次版本号
3. 更新了哪些画像与偏好（A 轨变更）
4. 元认知反馈（B 轨认知洞察，直接呈现给用户）
5. 是否存在待用户处理项