用途：把散落在各仓库的 LEARNING.md 复盘汇总为流程改进。核心价值不在教训数量，而在重复性：单一仓库出现的失败形态只是轶事，跨仓库重复出现才是值得机械修复的信号。
主要能力：分为两半。一是确定性摄取（不使用 LLM）：scripts/learning_corpus.py 发现所有 LEARNING.md，去重工作副本，拆分为原子教训，输出 JSONL 语料，可复现且免费。二是智能体重复检测：按失败形态聚类，只保留跨两个及以上不同仓库的模式，排序，并为每个模式提出一项 harness 动作，附六字段变更契约。
使用方式：按人工节奏运行（每月，或跨多个仓库的里程碑结束后），绝不自主循环。步骤一构建语料：cd <claude-forge> 后执行 make learning-corpus，或 uv run scripts/learning_corpus.py --root ~/Development --stats。输出位于 quality_reports/learning_corpus/，已被 gitignore，含私有事故细节，不得提交。步骤二由一个分析智能体读取语料，按逻辑仓库分组、阈值（两个及以上不同逻辑仓库）、按重复次数×跨产品广度×可机械预防性排序，按失败形态而非表面主题聚类，输出 recurrence-report.md。步骤三与人工分诊，接受者复制变更契约到 quality_reports/harness_changes/YYYY-MM-DD_<slug>.md，实现单一动作并随变更落地。步骤四可选归档到 vault 以追踪趋势。
限制与反目标：不得自主运行或每次会话运行；每个变更契约只提一个失败模式；不得提交语料或报告；不把执行轨迹指标作为输入（那是 harness-mechanic 的职责）。文档园艺扫描 make doc-garden 可报告失效路径与技能表漂移，UNLISTED-SKILL 为建议输入而非缺陷。