用途：该技能通过分析智能体的推理轨迹来调试和优化 AI 智能体，基于 MiniMax M2.1 的交错思考（在每次工具交互之间进行推理）来深入观察决策过程并生成具体改进。
适用时机：推理轨迹需要调试、分析或提示词优化时；任务失败需定位原因时；提及上下文退化、工具混淆或指令漂移时；要求提升性能或减少错误时；从调试中沉淀可共享经验时；相似任务反复失败后。
主要能力：内置优化循环——执行智能体→捕获轨迹→分析模式→优化提示词→重新运行，迭代改进直至收敛。可检测的模式包括：context_degradation（长上下文丢失信息）、tool_confusion（误解工具能力或输出）、instruction_drift（逐步偏离原始指令）、goal_abandonment（放弃原目标）、circular_reasoning（重复无效动作）、premature_conclusion（未完成即下结论）。
使用方式：提供四种模式。模式一为 M2.1 智能体调试，使用 TraceCapture 捕获轨迹、TraceAnalyzer 分析并输出评分与模式建议；模式二为完整优化循环，通过 OptimizationLoop 与 LoopConfig（如 max_iterations、min_score_threshold）自动迭代；模式三为通用会话分析，可在 Claude Code 中对当前会话思考块运行 /reasoning-trace-optimizer analyze-session；模式四为生成可共享技能，使用 SkillGenerator 将学习成果转为 Agent Skills。也提供 CLI：rto capture、rto analyze、rto optimize、rto generate-skill。可与 Claude Code 集成，如通过 hooks 在 post_tool_error 时运行 rto analyze-session --last-error，或用 /reasoning-trace-optimizer 按需分析。
适用场景：智能体任务失败归因、提示词迭代优化、上下文工程、跨模型（Claude、GPT 等）会话分析、调试经验复用。
限制与注意：需保留完整上下文（含思考块）以获得最佳表现；工具定义应清晰无歧义；收敛阈值建议现实（每轮 5-10% 提升为典型值）；自动生成的技能在分享前应人工审核；每轮优化消耗大量 token。价格、平台支持范围等资料暂未提供。