askill
auto-extract

auto-extractSafety 95Repository

会话学习技能 - 分析当前会话,提取学习并持久化到三层存储(项目 CLAUDE.md、用户 CLAUDE.md、Memory MCP)

6 stars
1.2k downloads
Updated 3/4/2026

Package Files

Loading files...
SKILL.md

会话学习技能

分析当前会话,提取有价值的学习内容,并持久化到合适的存储层。

分析维度

回顾会话,关注:

维度关注点
进展顺利成功的方法、有效的解决方案、好的决策
进展不顺失败的尝试、错误的方向、浪费时间的地方
用户分歧用户纠正你的地方、拒绝的建议、表达不满的地方
推断偏好沟通风格、工具偏好、代码风格、工作流习惯

三层分类

设计原则

层级核心问题特性
项目 CLAUDE.md"这个项目需要知道什么?"项目特定、版本控制
用户 CLAUDE.md"每个会话都需要知道什么?"身份性、高频、token 预算有限
Memory MCP"特定情境下需要召回什么?"情境性、按需查询、无限容量

硬规则:单条知识唯一归属(Strict unique)

  • 强制每条学习项选择一个且仅一个存储层(项目/用户/Memory)。
  • 禁止在其他层重复同一条学习项(包括改写/摘要后的同义重复)。
  • 写入前,执行跨层去重检查:在另外两层检索关键词/相关 section。
  • 发现同义重复或潜在冲突时,使用 AskUserQuestion 让用户决定处理方式(移动 / 覆盖 / 忽略);默认不自动迁移或覆盖。

决策树

对于每个学习项,依次问:
│
├─ Q1: 是否与当前项目的代码/架构/工具链直接相关?
│   └─ 是 → 项目 CLAUDE.md
│
├─ Q2: 是否是每个新会话都需要的信息(应自动加载)?
│   ├─ 是 → 用户 CLAUDE.md(身份/核心偏好/常驻交互规则)
│   └─ 否 → 继续 Q3
│
└─ Q3: 是否是特定情境才需要的经验/知识/解决方案?
    └─ 是 → Memory MCP

关键区分

  • 用户 CLAUDE.md: "What I always need to know"(身份/常驻规则)
  • Memory MCP: "What I learned for specific situations"(情境经验)

分类示例

学习内容层级理由
"这个项目用 Vitest 测试"项目项目特定工具
"用 bun test 运行测试"项目项目特定命令
"React hooks 中不要用 async/await"项目项目特定陷阱
"用户偏好 bun 而非 npm"用户每会话需要的工具选择
"用户偏好简洁响应"用户每响应都需要的风格
"用户偏好中文交流"用户每会话需要的语言设置
"用户说「我都看不懂」= 需要简化或删除"用户每会话都需要的交互规则
"GitHub Code Search 按相关性排序"Memory特定技术的经验教训
"OpenSpec archive 失败检查 ADDED vs MODIFIED"Memory特定工具的问题解决
"并行 API 调用用 ThreadPoolExecutor"Memory特定场景的解决方案

持久化指南

第一层:项目 CLAUDE.md

位置: {repo}/CLAUDE.md{repo}/.claude/CLAUDE.md

优先级: 如果 .claude/CLAUDE.md 存在,优先使用它(项目内聚);否则使用根目录的 CLAUDE.md

插入策略(保持文档组织性):

  1. 先阅读整个 CLAUDE.md,理解现有结构和 sections
  2. 找到语义上合适的位置插入学习内容:
    • 如果已有相关 section(如 "Plugin Development Best Practices"),将学习项合并到该 section
    • 如果学习项是新类别,在逻辑上相邻的 section 附近创建新 section
  3. 禁止简单追加到文件末尾——这会破坏文档组织性
  4. 编辑后整个 CLAUDE.md 应仍然结构清晰、主题分组合理

工具: 使用 Edit 工具(精确插入到合适位置)

第二层:用户 CLAUDE.md

位置: ~/.claude/CLAUDE.md

插入策略(保持文档组织性):

  1. 先阅读整个 CLAUDE.md,理解现有结构
  2. 找到语义上合适的位置插入偏好:
    • 如果已有相关 section(如 "个人偏好设置"、"工作原则"),将偏好合并到该 section
    • 如果偏好是新类别,在逻辑上相邻的 section 附近添加
  3. 禁止简单追加到文件末尾

工具: 使用 Edit 工具

第三层:Memory MCP

实体类型:

  • interaction_pattern - 用户喜欢的工作方式
  • problem_solving - 有效的调试/解决方法
  • expertise_area - 用户的技能和知识领域
  • learning_history - 会话学习摘要

工具:

# 创建新实体
mcp__memory__create_entities

# 给现有实体添加观察
mcp__memory__add_observations

# 创建关系
mcp__memory__create_relations

关系类型:

  • learned_from - 将学习链接到用户
  • applies_to - 将模式链接到领域
  • solves - 将方法链接到问题类型

用户确认流程

重要: 持久化前必须展示分类结果并获得用户确认。

第一步:展示分类

## 会话学习摘要

### 项目 CLAUDE.md(下次会话自动加载)
- [项 1]
- [项 2]

### 用户 CLAUDE.md(所有项目自动加载)
- [偏好 1]

### Memory MCP(用 /recall 命令召回)
- [模式 1]
- [经验 1]

第一步.5:跨层去重与冲突处理(MANDATORY)

  • 对每条学习项,在另外两层检索关键词/相关 section,确认是否已存在同义内容。
  • 若发现重复或冲突,先向用户展示冲突点,再在 AskUserQuestion 中提供处理选项(移动 / 覆盖 / 忽略)。
  • 默认不自动迁移或覆盖。

第二步:使用 AskUserQuestion 确认

使用 AskUserQuestion 工具让用户选择要持久化的项目:

  • multiSelect: true
  • 每个学习项作为一个选项(label 含层级,description 含内容摘要)
  • 超过 4 项时,按优先级取前 4 个,其余可通过 "Other" 指定

用户可选择全部、部分或跳过。

第三步:执行持久化

确认后:

  1. 插入到项目 CLAUDE.md 的合适位置(如有项目级内容)
  2. 插入到用户 CLAUDE.md 的合适位置(如有用户级内容)
  3. 在 Memory MCP 中创建/更新实体(如有跨项目内容)
  4. 执行 Memory MCP 整理(MANDATORY) - 见下方 checklist
  5. 报告保存了什么、保存到哪里

第四步:Memory MCP 整理(MANDATORY)

⚠️ CRITICAL: 每次使用 Memory MCP 后必须执行此 checklist。跳过此步骤是不完整的执行

## Memory MCP Cleanup Checklist

1. [ ] **READ**: 调用 `mcp__memory__read_graph` 查看当前图谱
2. [ ] **ANALYZE**: 识别以下问题:
   - 重复/相似实体(可合并)
   - 不一致的命名(如同一用户有多个实体名)
   - 孤立实体/关系(无连接或指向不存在的实体)
   - 过时/临时实体(不再相关)
   - 对于每个孤立项,判断:其内容是否有独特价值,还是已被其他地方覆盖?
3. [ ] **CLEANUP**: 执行整理操作(⚠️ 不可丢失有价值信息):
   - `mcp__memory__add_observations` - 合并内容到现有实体
   - `mcp__memory__delete_entities` - 删除重复/过时实体
   - **孤立实体/关系处理**(按优先级):
     1. **找归属**: 为孤立实体创建关系连接到现有实体
     2. **合并**: 如无法找到归属,将其 observations 合并到相关实体后删除
     3. **仅当冗余时删除**: 只有当其内容已被其他地方完全覆盖时,才可删除
   - ⚠️ **禁止**:因为"找不到归属"就删除有独特价值的信息
4. [ ] **REPORT**: 向用户报告整理了什么

如果图谱已经干净:明确说明"已检查图谱,无需整理"。

错误处理

  • 如果 CLAUDE.md 不存在,创建并添加适当的头部
  • 如果 Memory MCP 不可用,通知用户并跳过该层
  • 如果用户拒绝所有项目,确认并不持久化任何内容

Install

Download ZIP
Requires askill CLI v1.0+

AI Quality Score

82/100Analyzed 2/19/2026

Highly detailed and well-structured session learning skill that provides comprehensive guidance for analyzing conversations and persisting learnings to three-layer storage. Excellent actionability with specific MCP function calls, decision trees, and cleanup checklists. Clear organizational structure with tables and ASCII diagrams. Slightly reduced reusability due to tight coupling with Memory MCP and Claude-specific tools. The skill includes robust safety mechanisms including mandatory user confirmation, cross-layer duplicate detection, and cleanup procedures to prevent data loss. Tags improve discoverability. Overall excellent quality skill tailored for a specific workflow."

95
90
60
85
90

Metadata

Licenseunknown
Version-
Updated3/4/2026
Publishercuipengfei

Tags

apigithubllmtesting