learn-from-history

# Learn From History 从过去 N 天的对话历史中系统性地提取经验教训。 使用 Python 提取脚本将 SQLite 消息转为精简纯文本（过滤 reasoning 块和无用工具调用细节）， 再按天分配 **general-purpose agent**（必须支持写文件，不能用 explore）， 最后汇总产出可执行的改进方案。 ## 核心原则 1. **先提纯再分析**：提取脚本做 JSON→纯文本转换 + 过滤，agent 只读有意义的内容 2. **按天分治**：每天一个 agent，独立并行分析，最后汇总 3. **去重优先**：每个 TRAP/skill 建议必须先交叉比对现有 CLAUDE.md 和 skill 列表 4. **可行动**：输出不只是问题清单，更要是可立即执行的 Edit 建议 5. **聚焦异常**：正常的 thread 只需记录意图和模式，深挖只���有错误的 thread 6. **批量提取**：用 `extract_range.py` 一次提取整个时间段，不需要逐天手动跑 7. **默认按项目过滤**：所有操作默认限定在当前工作目录的项目中（`cwd` 过滤）。跨项目发现单独归类，不混入当前项目建议 --- ## 工作流程 五阶段流水线：发现 → 提取 → 分析 → 汇总 → 输出与编辑。 ### 阶段一：发现应分析的天数 **全部通过 Python 脚本**，禁止直接使用 SQL。 ```bash # 【重要】必须显式指定 --cwd，从 env 的 Working directory 获取 python3 .claude/skills/learn-from-history/scripts/extract_range.py --query-active-days --days 7 --cwd <工作目录> # 跨项目模式 python3 .claude/skills/learn-from-history/scripts/extract_range.py --query-active-days --days 7 --all ``` 脚本自动： - 连接 SQLite 数据库 - 按当前 cwd 过滤项目（默认行为） - 返回活跃日期列表（thread 数 + 消息数） **跨项目模式**（如用户明确要求分析所有项目）： ```bash python3 .claude/skills/learn-from-history/scripts/extract_range.py --query-active-days --days 7 --all ``` **边界处理**： - 若无任何记录 → 报告"近期该项目无对话记录，可用 --all 查看所有项目"，结束 - 若脚本报数据库不存在 → 报告"未找到对话数据库"，结束 - 若返回 >7 天 → 合并消息量最小的两天为一个 agent（如 06-12+06-13 共 160KB+110KB） ### 阶段二：提取纯文本 用 `extract_range.py` **一次性**提取整个时间段的对话，脚本自动按天拆分输出文件。 ```bash # 【重要】必须显式指定 --cwd，从 env 的 Working directory 获取 python3 .claude/skills/learn-from-history/scripts/extract_range.py <开始日期> <结束日期> --cwd <工作目录> #...