用途：把反思从写感想变成可测量的学习层。核心机制是用事前写下的置信度预测对照实际结果做校准评分，并跟踪承诺（kept/missed/partial/open）是否真正兑现，最终以一条可检验的规则收尾。与 weekly-review 的边界是：后者负责每周运营节奏（发生了什么、优先级、阻塞），本技能是其上的学习层，判断跨周跨季度的判断力好坏；两者可先后运行，运营回顾先做，其输出作为本技能的输入，不在此重复成果与阻塞的综合。
输入：预测日志（陈述、置信度、结果）；承诺日志（文本、状态、可选到期日与 carried_cycles）；当前节奏（日/周/季度）；用于计算逾期的参考日期（须显式传入，工具不读取系统时钟）；可选每条预测的领域。生成前先确认节奏、已解决预测数量（低于20条校准噪声过大）、是否已有每周运营回顾、开放承诺的搬运次数；不确定应询问，最多问2-3个最影响结果的问题，若用户要求直接起草则照做并在文首列出假设。
主要工作流：一是季度评分预测校准，用 calibration_scorer.py（如 --buckets 5）输出校准表、领域细分、相对基准的技能分；二是按节奏生成提示集，用 reflection_prompt_generator.py 配合 --cadence 与 --as-of 更新承诺状态并递增 carried_cycles；三是季度端到端反思（约90分钟）依次评分、集中阅读季度内周反思、回答季度提示、做决定（砍掉一条承诺、更换一种方法、给长期承诺明确期限/委托/终止），再写下季度预测与置信度。
判读参考：Brier 分数区间与承诺保持率区间用于解读；连续三个周期无进展的承诺触发三周期规则，应显式做日期、委托或终止决定。资料还列出常见偏差领域（自身交付日期最易过度自信）与反模式（把反思当写日记、凭记忆而非记录反思、只预测安全的事、评分过频）。工具脚本支持自检，统计量按不同置信度取值计算，--buckets 只影响展示表格。
限制：具体价格、平台支持范围与效果数据资料未提供。