用途：从 Claude Code 会话 JSONL 中挖掘隐式用户反馈。当用户在技能调用后纠正、重做、回退或部分接受 AI 输出时，视为技能存在缺口，输出结构化 feedback.jsonl 供改进流水线使用。
主要能力：检测技能调用（tool_use 中 name="Skill"，或 local_command 的 <command-name> 标签，排除内建命令）；在 3 轮影响窗口内分类结果为 correction、partial 或 acceptance，优先级为 revert > redo > partial > correction > acceptance；按关键词将纠正归因到 accuracy、coverage、reliability、efficiency、security、trigger_quality 等维度；计算 correction_rate = (corrections + 0.5 * partials) / total_invocations，并比较最近 30 天与之前 30 天的趋势；输出 feedback.jsonl、控制台摘要、热点 markdown 及 90 天归档。
使用方式：python3 scripts/analyze.py --session-dir ~/.claude/projects/ --output feedback-store/feedback.jsonl；可用 --no-snippets 隐私模式、--skill-filter 过滤单个技能、--min-invocations 设阈值、--overwrite 重建。导出热点：python3 scripts/export_feedback_bridge.py --input feedback-store/feedback.jsonl --output feedback-store/$(date +%F)-session-feedback-hotspots.md。指标 API 位于 scripts/metrics.py。
适用场景：计算各技能纠正率、生成改进候选输入、跟踪纠正趋势、识别热点维度、对比改进前后效果、审计单个技能反馈历史。
限制：不执行任务、不做 SKILL.md 结构评分、不做候选评审或门禁决策；自动跳过 pytest、/tmp、/subagents、observer-sessions 目录；关键词分类器无法区分纠正对象，实测误判率约 8%；样本小于 --min-invocations 时返回 sufficient_data: false。