用途：分析用户过去的 Claude Code 对话，依据 Anthropic 的 4D AI 流畅度框架（Dakan 与 Feller，2026）生成绩效报告，衡量使用 AI 的实际技能与习惯。
主要能力：第一层检测 11 种可观察行为（涉及描述、委派、辨别三类）及 5 个勤勉信号，并与人群中位基线对比；第二层对 7 个实践维度（规范、迭代、辨别、委派、任务分解、工具意识、勤勉）按 1-10 打分。框架包含委派、描述、辨别、勤勉四项核心能力。研究指出迭代是入口行为，辨别类行为在人群中最为罕见。还特别检查“产物悖论”：当 AI 生成代码等产物时，描述与委派行为上升，而辨别行为下降。
使用方式：依赖 cc-conversation-search 定位对话。安装检测与安装命令保留如下： if command -v cc-conversation-search &> /dev/null; then echo "Ready: $(cc-conversation-search --version)" else if command -v uv &> /dev/null; then uv tool install cc-conversation-search else pip install --user cc-conversation-search export PATH="$HOME/.local/bin:$PATH" fi cc-conversation-search init --days 14 fi 参数：无参数分析最近 2 周；传入数字（如 7）分析最近 N 天；传入主题（如 authentication）仅分析匹配对话；传入 all 分析全部已索引对话。工作流：先发现对话（如 cc-conversation-search list --days 14 --json），挑选最多 8 段至少含 5 条用户消息的多样对话；逐段读取 JSONL，仅提取 role 为 human 的消息，忽略空消息、纯工具结果和技能模板展开；检测行为并给 7 个维度打分；可用 Task 智能体并行分析（最多 4 个）。最后读取模板 .claude/skills/ai-fluency/report-template.html，计算汇总分数并替换占位符，写入 ~/Desktop/ai-fluency-report.html，用 open ~/Desktop/ai-fluency-report.html 打开，并在对话中打印简要总结。
适用场景：想量化评估自身 Claude Code 使用习惯、找出优势与提升点的开发者。
限制：部分勤勉行为发生在对话之外，该维度可能被低估；辨别类行为基线数据有限；评分依赖可观察到的对话内容；其余信息暂未提供。