开发工具CLIAI 技能/插件测试人工智能AI 评测【免费下载链接】SuperClaude_FrameworkA configuration framework that enhances Claude Code with specialized commands, cognitive personas, and development methodologies.项目地址https://gitcode.com/gh_mirrors/su/SuperClaude_Framework点击查看免费下载导读本文以docs/memory/目录为核心系统讲解 SuperClaude Framework 为 PM Agent项目管理智能体设计的三大记忆子系统——ReflexionMemory 错误学习数据库、Workflow Metrics 性能追踪日志与 Pattern Learning 模式学习记录。你将掌握这些 JSONL 记忆文件的字段格式、生成机制、备份维护、Git 版本控制策略、隐私安全边界并结合源码理解其底层实现原理最终能够熟练地查看、检索、维护并优化这套会学习的智能体记忆体系。一、记忆目录概览PM Agent 的跨会话大脑docs/memory/是 SuperClaude Framework 中 PM Agent 专用的记忆与学习数据目录承担着让智能体在会话之间保持上下文、从错误中学习、持续自我优化的核心职责。与传统的会话级上下文不同这套记忆系统以本地文件为载体具备跨会话、跨分支持久化的能力。目录中的文件分为两大类自动生成的数据文件由系统运行时自动创建与管理文件用途docs/memory/reflexion.jsonl错误学习数据库存储过去的错误、根因与解决方案docs/memory/workflow_metrics.jsonl任务性能追踪日志记录 token 消耗、执行时间与成功率docs/memory/patterns_learned.jsonl成功实现模式的沉淀记录人工维护的文档与模板文件文件用途docs/memory/reflexion.jsonl.exampleReflexion 条目的参考模板含 15 条真实风格示例docs/memory/WORKFLOW_METRICS_SCHEMA.md工作流指标的完整 Schema 定义字段类型、描述、示例docs/memory/pm_context.mdPM Agent 上下文管理系统的说明渐进式加载与 token 效率docs/memory/token_efficiency_validation.mdtoken 效率优化的验证结果与基准docs/memory/last_session.md上一次工作会话的笔记与上下文docs/memory/next_actions.md记忆系统的待办改进与后续计划三大记忆子系统各司其职构成完整的闭环ReflexionMemory负责记住错误、避免重蹈覆辙Workflow Metrics负责量化表现、驱动 A/B 优化Pattern Learning负责沉淀成功经验、复用有效模式。二、ReflexionMemory错误学习数据库reflexion.jsonl2.1 文件定位与生成机制docs/memory/reflexion.jsonl是 ReflexionMemory 系统的数据落盘文件采用JSON Lines 格式每行一个完整的 JSON 对象JSON Lines 规范由错误学习系统自动生成。注意docs/memory/README.md中记录的生成方为superclaude/core/pm_init/reflexion_memory.py而当前仓库的实际实现已迁移至 src/superclaude/pm_agent/reflexion.pyReflexionPattern类从源码结构看这是一次模块路径整理的结果。在引用时以仓库中实际存在的路径为准。其核心工作流程在 reflexion.py 的模块文档中有明确描述错误发生 → 智能地查找历史错误smart lookup找到相似错误 → 直接应用已知解决方案0 token未找到 → 调查根因、记录解决方案存入双存储本地文件 可选的 mindbase供未来参考。2.2 条目字段与示例每条 Reflexion 条目包含以下字段字段说明ts时间戳ISO 8601JST 时区task当时要完成的任务描述mistake出错的环节描述evidence错误的直接证据异常信息等rule提炼出的经验规则fix最终采用的解决方案tests验证修复的测试步骤列表status条目状态adopted表示生效规则标准示例条目如下与docs/memory/README.md中的示例一致{ ts: 2025-10-30T14:23:4509:00, task: implement JWT authentication, mistake: JWT validation failed, evidence: TypeError: secret undefined, rule: Check env vars before auth implementation, fix: Added JWT_SECRET to .env, tests: [Verify .env vars, Test JWT signing], status: adopted }2.3 源码级实现原理ReflexionPattern类src/superclaude/pm_agent/reflexion.py是这一机制的核心实现它暴露三个关键 APIget_solution(error_info)根据错误信息查找已知解决方案。查找策略是mindbase 语义搜索优先本地文件 grep 搜索兜底reflexion.py。mindbase 查询通过curl请求本地http://localhost:18003/api/search接口reflexion.py当 mindbase 不可用或超时时自动降级不会阻塞主流程。record_error(error_info)记录错误与解决方案追加写入docs/memory/solutions_learned.jsonl追加式日志同时对含根因分析或解决方案的重大错误在docs/mistakes/目录生成结构化的事故复盘文档reflexion.py。get_statistics()统计错误总数、带解决方案的错误数及解决方案复用率reflexion.py。相似度匹配算法这是理解 ReflexionMemory 检索行为的关键系统先将错误类型、错误消息数字归一化为N后截取前 100 字符、测试名组合成错误签名再通过词重叠率判断两条记录是否相似——默认阈值为 0.7即重叠词数占总词数并集的比例达到 70% 即判定为同一类错误[reflexion.py](https://link.gitcode.com/i/13bb4dbe3ec6b7822af0781220fb651a#L130-L162, L252-L275)。因此错误消息中保留稳定的关键词、避免随机的数字和变量值能显著提高匹配命中率。2.4 参考模板reflexion.jsonl.example如果你希望从示例数据开始可以把 docs/memory/reflexion.jsonl.example 复制为reflexion.jsonl也可以不手动创建让系统在第一次错误发生时自动生成。模板中内置了 15 条贴近真实开发场景的条目覆盖了 JWT 认证、数据库迁移、CORS 配置、文件上传、Redis 缓存、SMTP 邮件、CI/CD 流水线、限流、TypeScript 严格模式、N1 查询优化、WebSocket 心跳、Stripe 支付、密码重置、生产部署、S3 上传等典型问题每条都包含rule经验规则与tests验证步骤是理解条目写作规范的绝佳范本。三、Workflow Metrics性能追踪与优化驱动workflow_metrics.jsonl3.1 文件定位与作用docs/memory/workflow_metrics.jsonl是 PM Agent 工作流系统自动生成的追加式append-only性能日志用于追踪 token 消耗、执行时间与成功率为持续优化和 A/B 测试提供数据基础。完整的字段规范定义在 docs/memory/WORKFLOW_METRICS_SCHEMA.md。3.2 数据结构与字段定义每行是一个完整的 JSON 对象代表一次工作流执行{ timestamp: 2025-10-17T01:54:2109:00, session_id: abc123def456, task_type: typo_fix, complexity: light, workflow_id: progressive_v3_layer2, layers_used: [0, 1, 2], tokens_used: 650, time_ms: 1800, files_read: 1, mindbase_used: false, sub_agents: [], success: true, user_feedback: satisfied, notes: Optional implementation notes }必填字段字段类型说明示例timestampISO 8601执行时间戳JST2025-10-17T01:54:2109:00session_idstring唯一会话标识abc123def456task_typestring任务分类typo_fix、bug_fix、feature_implcomplexitystring意图分类级别ultra-light、light、medium、heavy、ultra-heavyworkflow_idstring工作流变体标识progressive_v3_layer2layers_usedarray实际执行的渐进式加载层[0, 1, 2]tokens_usedinteger消耗的 token 总数650time_msinteger执行耗时毫秒1800successboolean任务完成状态true、false可选字段字段类型说明示例files_readinteger读取的文件数1error_search_toolstring错误检索使用的工具mindbase_search、ReflexionMemory、nonesub_agentsarray委派的子 Agent[backend-architect, quality-engineer]user_feedbackstring推断的用户满意度satisfied、neutral、unsatisfiednotesstring实现备注Used cached solutionconfidence_scorefloat实现前的置信度0.85hallucination_detectedboolean自检是否发现幻觉红旗falseerror_recurrenceboolean是否再次遇到相同错误false3.3 任务类型分类法Task Type Taxonomy分类法将任务按复杂度和 token 预算划分为五档每档对应渐进式加载的不同层数Ultra-Light超轻量progress_query進捗教えて、status_check現状確認、next_action_query次のタスクはLight轻量typo_fixREADME 误字修正、comment_addition注释添加、variable_rename变量重命名、documentation_update文档更新Medium中等bug_fixBug 修复、small_feature小功能添加、refactoring重构、test_addition测试添加Heavy重量级feature_impl新功能实现、architecture_change架构变更、security_audit安全审计、integration外部系统集成Ultra-Heavy超重量级system_redesign系统全面再设计、framework_migration框架迁移、comprehensive_research综合性调研3.4 工作流变体标识与复杂度分类规则渐进式加载变体Progressive Loading Variantsprogressive_v3_layer1Ultra-light仅加载记忆文件progressive_v3_layer2Light仅目标文件progressive_v3_layer3Medium3-5 个关联文件progressive_v3_layer4Heavy子系统级progressive_v3_layer5Ultra-heavy全量 外部调研实验性变体用于 A/B 测试experimental_eager_layer3中等任务总是预加载 Layer 3experimental_lazy_layer2最小化 Layer 2 加载experimental_parallel_layer3Layer 3 并行加载文件复杂度分类依据关键词与 token 预算判定WORKFLOW_METRICS_SCHEMA.mdultra_light: keywords: [進捗, 状況, 進み, where, status, progress] token_budget: 100-500 layers: [0, 1] light: keywords: [誤字, typo, fix typo, correct, comment] token_budget: 500-2K layers: [0, 1, 2] medium: keywords: [バグ, bug, fix, 修正, error, issue] token_budget: 2-5K layers: [0, 1, 2, 3] heavy: keywords: [新機能, new feature, implement, 実装] token_budget: 5-20K layers: [0, 1, 2, 3, 4] ultra_heavy: keywords: [再設計, redesign, overhaul, migration] token_budget: 20K layers: [0, 1, 2, 3, 4, 5]3.5 记录点与源码佐证PM Agent 在五个执行点自动写入指标无需人工干预会话开始Layer 0生成session_id记录引导启动的 150 token 基础开销意图分类后Layer 1写入task_type、complexity与预估 token 预算渐进式加载后写入layers_used、实际tokens_used、files_read任务完成后写入success、time_ms、user_feedback会话结束将完整指标追加写入docs/memory/workflow_metrics.jsonl。这与 token 预算的工程实现相互印证仓库中的 src/superclaude/pm_agent/token_budget.py 提供了TokenBudgetManager类按复杂度simple/medium/complex分配 200/1000/2500 token 的预算上限并提供allocate()/use()消耗与remaining余额查询——这正是按复杂度控制 token 消耗这一理念的代码级落地。3.6 数据分析与可视化周度分析按任务类型分组计算平均值python scripts/analyze_workflow_metrics.py --period week # 输出示例 # Task Type: typo_fix # Count: 12 # Avg Tokens: 680 # Avg Time: 1,850ms # Success Rate: 100%A/B 测试分析比较两个工作流变体python scripts/ab_test_workflows.py \ --variant-a progressive_v3_layer2 \ --variant-b experimental_eager_layer3 \ --metric tokens_used # 输出示例 # Variant A (progressive_v3_layer2): # Avg Tokens: 1,250 # Success Rate: 95% # Variant B (experimental_eager_layer3): # Avg Tokens: 2,100 # Success Rate: 98% # Statistical Significance: p 0.03 (significant) # Recommendation: Keep Variant A (better efficiency)可视化使用 pandas matplotlibimport pandas as pd import matplotlib.pyplot as plt df pd.read_json(docs/memory/workflow_metrics.jsonl, linesTrue) df[date] pd.to_datetime(df[timestamp]).dt.date # Token 使用趋势 daily_avg df.groupby(date)[tokens_used].mean() plt.plot(daily_avg) plt.title(Average Token Usage Over Time) plt.ylabel(Tokens); plt.xlabel(Date); plt.show() # 任务类型分布 df[task_type].value_counts().plot.pie(autopct%1.1f%%) # 工作流效率对比 print(df.groupby(workflow_id).agg({ tokens_used: mean, success: mean, time_ms: mean }).sort_values(tokens_used))3.7 持续优化框架周度复盘流程每周一运行分析脚本 → 识别模式各类任务的最优工作流、高 token 低成功率的不效率模式、满意度趋势→ 更新建议将高效工作流提升为标准、弃用低效工作流、设计新的实验变体。A/B 测试框架allocation_strategy: current_best: 80% # 使用已知最优工作流 experimental: 20% # 测试新变体 evaluation_criteria: minimum_trials: 20 # 每个变体最少试验次数 confidence_level: 0.95 # p 0.05 metrics: - tokens_used (primary) - success_rate (gate: must be ≥95%) - user_feedback (qualitative) promotion_rules: if experimental_better: - 统计显著性已确认 - 成功率 ≥ current_best - 用户反馈 ≥ neutral → 提升为标准80% 分配 if experimental_worse: → 弃用变体 → 将经验记录到 docs/patterns/月度清理循环识别 90 天未使用、成功率低于 80%、用户反馈持续负面的陈旧工作流 → 归档至docs/patterns/deprecated/并记录弃用原因 → 将验证有效的实验变体提升为标准 → 生成月度报告token 效率趋势、成功率提升、用户满意度演变。健康指标基准与红旗信号运行一个月后健康状态应达到——ultra-light 750-1,050 token降幅 63%、light 1,250 token降幅 46%、medium 3,850 token降幅 47%、heavy 10,350 token降幅 40%整体成功率 ≥95%用户满意度satisfied≥70%。出现以下信号则需调查任意任务类型成功率 85%、token 超预算 30%、light 任务耗时 10 秒、unsatisfied反馈 10%、错误复现率 15%。四、Pattern Learning成功模式沉淀patterns_learned.jsonldocs/memory/patterns_learned.jsonl由 PM Agent 学习系统自动生成记录从成功实现中提炼的可复用模式。仓库中的实际示例文件包含一条核心模式{pattern:local-file-memory,description:PM Agent uses local files in docs/memory/ instead of Serena MCP,date:2025-10-16}它揭示了本项目的一个关键架构决策采用本地文件承载记忆系统取代对外部 MCP 服务Serena MCP的依赖。该文件默认被纳入版本控制因为成功的实现模式具有团队共享价值。五、文件管理与日常维护5.1 自动创建机制以下文件由系统自动创建切勿手动创建首次运行文件不存在属于正常现象reflexion.jsonl—— 首次错误发生时创建workflow_metrics.jsonl—— 首次任务执行时创建patterns_learned.jsonl—— 首次学习到模式时创建。5.2 备份与清理备份历史学习数据# 归档旧的学习数据 tar -czf memory-backup-$(date %Y%m%d).tar.gz docs/memory/*.jsonl文件过大时保留最近条目# 保留最近 100 条 tail -100 docs/memory/reflexion.jsonl reflexion.tmp mv reflexion.tmp docs/memory/reflexion.jsonl校验 JSON 格式逐行检查是否为合法 JSONcat docs/memory/reflexion.jsonl | while read line; do echo $line | jq . /dev/null || echo Invalid: $line done指标文件的月度轮转mv docs/memory/workflow_metrics.jsonl \ docs/memory/archive/workflow_metrics_2025-10.jsonl touch docs/memory/workflow_metrics.jsonl # 清理 6 个月前的归档 find docs/memory/archive/ -name workflow_metrics_*.jsonl -mtime 180 -delete5.3 权限修复若出现EACCES权限错误chmod 644 docs/memory/*.jsonl六、Git 与版本控制策略6.1 提交建议✅ 应当提交reflexion.jsonl.example模板团队共享参考patterns_learned.jsonl共享的成功模式所有文档文件*.md❓ 可选提交reflexion.jsonl团队特定学习数据workflow_metrics.jsonl性能数据建议如果学习数据属于个人开发记忆不希望共享将reflexion.jsonl加入.gitignore。6.2 两种协作模式个人记忆模式数据不共享echo docs/memory/reflexion.jsonl .gitignore echo docs/memory/workflow_metrics.jsonl .gitignore团队共享记忆模式当前默认所有成员互相学习对方的错误经验# 保留文件在 Git 中当前默认行为 # 全体团队成员都能从彼此的错误中获益七、隐私与安全边界7.1 存储内容清单ReflexionMemory存储✅ 错误消息✅ 任务描述✅ 解决方案✅ 时间戳ReflexionMemory绝不存储❌ 密码或密钥❌ API 密钥❌ 个人数据❌ 生产数据7.2 敏感信息脱敏如果错误消息包含敏感信息如Auth failed with key abc123xyz需要手动编辑reflexion.jsonl进行脱敏处理——保留学习经验、移除密钥内容// 脱敏前含密钥 {evidence: Auth failed with key abc123xyz} // 脱敏后已脱敏 {evidence: Auth failed with invalid API key}Workflow Metrics 同样遵循隐私最小化原则不记录代码片段、不记录用户输入内容仅记录元数据token 数、耗时、成功率任务类型均为通用分类。八、性能特征8.1 文件规模预期reflexion.jsonl每 10 条约 1-10 KB1000 个错误约 1MBworkflow_metrics.jsonl每条约 0.5-1 KBpatterns_learned.jsonl每个模式约 2-5 KB8.2 检索性能ReflexionMemory 检索性能优秀1MB 以下文件10ms10MB 以下文件50ms100MB 以下文件200ms条目数超过 10,000 条之前无需担心性能问题从实现层面看本地检索是对 JSONL 文件的逐行扫描 词重叠匹配reflexion.py在常规规模下开销极低mindbase 语义检索命中时可进一步降低 token 消耗。九、故障排查指南9.1 JSON 损坏若条目格式异常用jq过滤出合法行重建文件cat reflexion.jsonl | while read line; do echo $line | jq . /dev/null 21 echo $line done fixed.jsonl mv fixed.jsonl reflexion.jsonl9.2 重复条目查看重复情况按 mistake 字段统计cat reflexion.jsonl | jq -r .mistake | sort | uniq -c | sort -rn去重保留首次出现cat reflexion.jsonl | jq -s unique_by(.mistake) | jq -c .[] deduplicated.jsonl mv deduplicated.jsonl reflexion.jsonl9.3 记忆条目未被使用按以下顺序排查错误是否真的相似手动查看条目状态是否为adopteddeprecated状态的条目会被忽略关键词重叠是否超过 50%错误消息可能需要更具体。十、快速命令速查表# 查看全部学习记录 cat docs/memory/reflexion.jsonl | jq # 统计条目数 wc -l docs/memory/reflexion.jsonl # 搜索特定主题如 auth grep -i auth docs/memory/reflexion.jsonl | jq # 最近 5 条学习记录 tail -5 docs/memory/reflexion.jsonl | jq # 最常见的错误类型 cat docs/memory/reflexion.jsonl | jq -r .mistake | sort | uniq -c | sort -rn | head -10 # 导出为可读格式 cat docs/memory/reflexion.jsonl | jq reflexion-readable.json十一、与 PM Agent 的深度集成token 效率架构记忆系统不是孤立存在的它与 PM Agent 的token 效率架构深度绑定。根据 docs/memory/pm_context.md 的说明2025-10-17 的架构重设计将 PM Agent 的启动开销从 2,300 token自动加载 7 个文件降至150 token仅 Layer 0 引导核心哲学是User Request First——在理解用户意图之前不做任何自动加载。渐进式加载策略下记忆系统按需注入加载层内容token 成本Layer 0引导时间感知 仓库检测 会话初始化150 tokenLayer 1最小上下文ReflexionMemory 关键词检索500-650 tokenLayer 2目标文件500-1K tokenLayer 3关联上下文ReflexionMemory3.5-4K tokenLayer 4系统上下文需用户确认8-12K tokenLayer 5外部调研需 WARNING 提示20-50K token根据 docs/memory/token_efficiency_validation.md 的验证结论内置 ReflexionMemory 可带来20-35%的 token 节省已知错误直接命中解决方案可选装的 mindbase 语义检索可再节省10-15%。新旧架构对比——Ultra-Light 任务从 2,300 token 降至 850-1,150 token63-72% 降幅、Light 任务从 3,500 降至 1,35061% 降幅、Medium 任务从 7,100 降至 3,85046% 降幅、Heavy 任务从 17,300 降至 10,35040% 降幅典型任务平均降幅 55-65%。与自检机制配合src/superclaude/pm_agent/self_check.py 中的SelfCheckProtocol通过四项必答问题 7 类幻觉红旗做证据化验证共同构成学习 → 执行 → 验证 → 再学习的完整闭环。十二、延伸阅读用户指南docs/user-guide/memory-system.mdReflexionMemory 的完整交互式用法与最佳实践指标规范docs/memory/WORKFLOW_METRICS_SCHEMA.md全部字段的权威定义上下文管理docs/memory/pm_context.md渐进式加载与 token 效率设计验证报告docs/memory/token_efficiency_validation.md优化效果的量化依据实现源码src/superclaude/pm_agent/reflexion.py错误学习核心实现、src/superclaude/pm_agent/token_budget.py预算管理研究资料docs/research/reflexion-integration-2025.md、docs/research/llm-agent-token-efficiency-2025.mdPM Agent 定义plugins/superclaude/agents/pm-agent.md分析脚本scripts/analyze_workflow_metrics.py、scripts/ab_test_workflows.py本文依据 docs/memory/README.md 撰写数据与实现细节以当前仓库源码和实际文件为准。记忆目录中的reflexion.jsonl、workflow_metrics.jsonl、patterns_learned.jsonl均为系统自动生成日常使用时只需维护好 Git 提交策略与隐私边界其余交给 PM Agent 自动完成。赞分享开发工具CLIAI 技能/插件测试人工智能AI 评测【免费下载链接】SuperClaude_FrameworkA configuration framework that enhances Claude Code with specialized commands, cognitive personas, and development methodologies.项目地址https://gitcode.com/gh_mirrors/su/SuperClaude_Framework点击查看免费下载相关推荐SuperClaude Framework 记忆系统指南ReflexionMemory 的自动错误学习、存储与检索机制SuperClaude Framework 记忆系统指南ReflexionMemory 的自动错误学习、存储与检索机制 SuperClaude Framewo开发工具CLIAI 技能/插件测试人工智能AI 评测深度学习多任务学习终极指南模型架构设计与实践完整解析深度学习多任务学习终极指南模型架构设计与实践完整解析 在当今人工智能快速发展的时代多任务学习Multi task Learning作为一种强大的深度学习Bifrost三星固件管理工具完整指南Bifrost三星固件管理工具完整指南 三星固件管理工具Bifrost是一款专为三星设备用户打造的多平台固件下载与管理解决方案让三星设备固件下载变得简单高效桌面应用上一篇db故障排除手册解决常见问题的10个实用方法下一篇深入解析Syscall Monitor10个核心功能让你成为系统监控专家创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考