用途：从 Data Cloud 的 STDM 与 GenAI DMO 中还原单个 Agentforce 会话的完整层级视图，回答“这次会话发生了什么”。典型 15 轮会话耗时约 10–30 秒。
主要能力：三阶段流水线——fetch_dc.py 拉取 24 个 dc.<name>.json 与清单，assemble_dc.py 做内存层级连接生成 dc._session_tree.json，render_dc.py 生成 dc._session_summary.md。可查看步骤、LLM 生成、网关请求/响应、消息记录、工具调用、反馈与升级标记，并校验 GatewayRequest 与 GatewayResponse 的 1:1 审计不变量。
使用方式：需已认证的 sf CLI、目标组织启用 Data Cloud、Python 3.10+。无会话 id 时先运行 discover_sessions.py 按时间、agent、渠道、结果等过滤并列出候选；有 id 时运行 python3 "$prefix/fetch_dc.py" --session <session-id-or-messaging-id> [--org <alias>]，默认串联三阶段。支持 UUID 与 0Mw 前缀的 MessagingSession id，后者经 resolve_session.py 解析，多匹配时列出全部候选并以非零退出。产物默认落在 ~/.vibe/data/agentforce-d360-analyze/<org_id15>/<agent>__<ver>/<session_id>/，可用 --data-dir 覆盖。
适用场景：追踪或总结指定会话、查找并分析升级/超时等会话、审计网关调用链。
限制：仅基于 Data Cloud 已物化的数据，无法回答“哪些主题或动作本应可用却未被选用”等运行时规划问题；Generation 与 GatewayRequest 只有单次写入时间戳，不能据此计算延迟；新会话可能尚未物化，需稍后重跑；当 DC 无网关请求行时无法区分导出丢失与源头未记录。