/learn

description: 会话学习，从会话中提取可复用模式
argument-hint: "[--status|--export|--import file|--eval]"
allowed-tools: Read, Write, Edit, Bash, Glob, Grep, TodoWrite

/learn - 会话学习

从当前会话中提取可复用的知识，更新项目配置和文档。**核心原则：从经验中学习，持续改进。**

用法

/cc-best:learn                    # 从当前会话提取知识
/cc-best:learn --eval             # 仅评估知识质量，不保存
/cc-best:learn --status           # 查看已学习内容和置信度
/cc-best:learn --export           # 导出学习内容（用于分享）
/cc-best:learn --import <file>    # 导入他人的学习内容

角色定位

• **身份**: 知识萃取专家
• **目标**: 将会话中的经验转化为项目记忆
• **原则**: 只记录有价值的、可复用的知识

核心理念

> 📋 详细学习理念（学习什么/不学习什么）、知识分类矩阵、学习模板、常见场景参见预加载的 `skills/learning/extraction-guide.md`

工作流程

0. 观察数据预加载
   ├─ 读取 memory-bank/observations.jsonl（如存在）
   ├─ 按 pattern 分组：error_fix / repeated_search / multi_file_edit / test_after_edit / fix_retry
   ├─ 按 pattern_id 聚合统计（v0.8.2+），显示每个 pattern_id 的 occurrence 和置信度
   ├─ 筛选 confidence ≥ 0.3 且当前会话的观察
   ├─ 高置信度模式（confidence ≥ 0.7）标记为演化候选（可固化为规则）
   └─ 作为会话分析的补充输入（自动捕获 + 人工回顾 = 完整画面）

1. 会话分析
   ├─ 回顾当前会话的关键交互
   ├─ 结合 Step 0 的自动观察数据
   ├─ 识别有价值的知识点
   └─ 分类：模式/约定/偏好/陷阱

2. 知识萃取
   ├─ 提炼核心要点
   ├─ 确定适用范围
   └─ 编写简洁描述

2.5 质量评估（自动执行，--eval 模式到此为止）
    ├─ 具体性:   是否包含具体代码/命令/路径（非抽象原则）
    ├─ 可操作性: 步骤是否清晰可立即执行
    ├─ 范围适配: 是否与项目技术栈匹配
    ├─ 独特性:   是否与已有知识重复（检查 CLAUDE.md + rules/）
    └─ 覆盖度:   是否覆盖主要用例和边界

    评分: 每维 1-5 分，总分 ≥15 分通过
    未通过: 提示改进建议，不自动保存

3. 知识存储
   ├─ 更新 CLAUDE.md（核心规则）
   ├─ 更新 rules/（具体规范）
   ├─ 更新 memory-bank/（项目记忆）
   └─ 创建 hookify 规则（如需自动化）

4. 验证确认
   ├─ 检查不重复
   ├─ 检查不冲突
   └─ 确认位置正确

触发时机

自动触发建议

• 会话结束前
• 解决复杂问题后
• 用户纠正错误后
• 发现新的项目规范后

手动触发

• 用户输入 `/cc-best:learn`
• 用户说"记住这个"
• 用户说"以后都这样做"

学习检查清单

提取知识前

• [ ] 这个知识是项目特有的吗？
• [ ] 这个知识是可复用的吗？
• [ ] 这个知识足够重要吗？

存储知识前

• [ ] 选择了正确的存储位置？
• [ ] 描述是否清晰简洁？
• [ ] 是否与现有知识冲突？
• [ ] 是否已经存在类似记录？

存储知识后

• [ ] 格式是否正确？
• [ ] 是否需要创建 hookify 规则自动化检查？

置信度系统

> 📋 详细置信度等级定义和提升规则参见预加载的 `skills/learning/extraction-guide.md`

质量评估 | Quality Gate

知识保存前的 5 维质量评分，防止低质量知识进入知识库。

评分维度

| 维度 | 权重 | 满分条件 | 0 分条件 | | -------- | ---- | ---------------------------- | -------------------- | | 具体性 | 1-5 | 包含具体代码/命令/路径 | 仅抽象原则 | | 可操作性 | 1-5 | 步骤清晰，可立即执行 | 模糊的"应该"建议 | | 范围适配 | 1-5 | 与项目技术栈精确匹配 | 通用知识，无项目关联 | | 独特性 | 1-5 | 与 CLAUDE.md / rules/ 无重叠 | 已有完全相同的记录 | | 覆盖度 | 1-5 | 覆盖主要用例和边界 | 仅覆盖 happy path |

评估结果

| 总分 | 判定 | 行动 | | ------ | ---- | ------------------------ | | ≥20/25 | 优秀 | 直接保存 | | 15-19 | 通过 | 保存，标注可改进方向 | | 10-14 | 待改 | 提示改进建议，不自动保存 | | <10 | 拒绝 | 需要重新萃取 |

--eval 模式

`/cc-best:learn --eval` 仅执行 Step 0 → 1 → 2 → 2.5，输出质量评分和改进建议，不执行保存。适用于：

• 评估候选知识的质量
• 在正式保存前预览效果
• 团队代码审查时评估学习内容

--status / --export / --import

> 📋 详细输出格式、YAML 导出模板、导入冲突解决流程参见预加载的 `skills/learning/extraction-guide.md`

---

输出规范

遵循 `rules/output-style.md`，核心信息 ≤ 5 行。

简洁输出（默认）

✅ 会话学习完成

📊 学习成果:

- 新知识: N 条
- 高置信度: M 条
- 已存储: K 个文件

➡️ 下一步: 使用 `/cc-best:learn --status` 查看详情

详细报告（/cc-best:learn --verbose）

## 会话学习报告

**学习日期**: YYYY-MM-DD
**会话主题**: [简要描述]

### 观察与直觉（带置信度）

#### 观察 1 [置信度: 高 92%]

> **上下文**: 在实现 API 调用时，用户明确指示使用 apiClient
>
> **触发**: 调用 API 时
> **行为**: 使用 `apiClient` 而非 `fetch`
> **来源**: 用户明确指示

### 原子直觉（结构化）

```yaml
learnings:
  - id: api-client-required
    domain: coding-style
    trigger: "调用 API 时"
    action: "使用 apiClient 而非 fetch"
    confidence: 0.92
    source: user-instruction
    updated: "YYYY-MM-DD"

### 建议动作

| 类型 | 动作              | 目标位置                    | 优先级 |
| ---- | ----------------- | --------------------------- | ------ |
| 规则 | 添加 API 调用规范 | `rules/common/api-style.md` | 高     |
| 约束 | 添加禁止操作项    | `CLAUDE.md`                 | 高     |
| 技能 | 可演化为新技能    | `/cc-best:evolve`           | 中     |
| 钩子 | 创建自动检测规则  | `.claude/hookify.*.md`      | 低     |

### 更新的文件

1. `rules/common/api-style.md` - 新增 API 调用规范
2. `CLAUDE.md` - 新增禁止操作项
3. `.claude/hookify.config-warning.local.md` - 新增自动检测规则

### 后续建议

- 考虑为 apiClient 规范创建 hookify 规则
- 建议整理项目的完整命名规范
- 使用 `/cc-best:learn --export` 分享给团队成员

## 与其他命令的配合

日常开发循环: /cc-best:dev → /cc-best:qa → /cc-best:commit → /learn（可选）→ /clear

复杂任务后: 完成任务 → /learn（总结经验）→ /cc-best:compact-context 或 /clear

## 注意事项

> 📋 详细注意事项（不要过度学习、保持知识库整洁、隐私和安全）参见预加载的 `skills/learning/extraction-guide.md`

---

> **记住**：学习的目的是让未来的工作更高效，而不是记录每一个细节。质量胜过数量。