用途
Learning Analyzer 用于从 Supabase 中收集的学习数据里提取洞察，识别成功模式、失败模式、优化机会和智能体（Agent）性能趋势。其类型为分析类技能，触发命令为 /learn:analyze，属于按需、仅手动触发（Auto-invoke: No）。
主要能力
分析覆盖四个方向：成功模式（哪些做法持续有效）、失败模式（常见问题）、优化机会（效率改进）以及智能体性能趋势。
使用方式
命令支持以下调用形式： /learn:analyze（完整分析） /learn:analyze --period 30d（仅最近30天） /learn:analyze --focus agents（聚焦智能体表现） /learn:analyze --focus workflows（聚焦工作流模式） /learn:analyze --focus feedback（聚焦用户反馈）
分析流程
- 数据收集：查询 Supabase 视图 v_agent_success_rates（按任务类型的智能体表现）、v_common_patterns（已识别模式）、v_improvement_suggestions（可执行建议）、v_workflow_trends（每周工作流趋势）、v_feedback_summary（反馈统计）。
- 模式识别：将查询结果交给 Claude AI，识别前3个成功模式、前3个失败模式、前3个优化机会及智能体推荐。
- 生成洞察：输出结构化报告，包含成功模式（频率、置信度、证据）、失败模式（影响程度、根因、建议修复）、优化机会（潜在节省的 token 或时间、实施步骤）、智能体推荐表（任务类型、推荐智能体、成功率、置信度）以及建议的规则更新清单。
查询模板
资料提供了五条 SQL 查询模板，分别用于查询智能体成功率（total_tasks >= 5，按 success_rate 降序）、近期模式（confidence >= 0.5，按 frequency 降序，LIMIT 20）、改进建议（按 confidence 降序）、工作流趋势（按 week 降序，LIMIT 12）和反馈汇总。
AI 分析提示结构
分析时使用固定提示框架，包含上下文（周期、总工作流数、总反馈数）、数据（查询结果）与任务（3-5 个成功模式、3-5 个失败模式、3-5 个优化机会、可执行建议），并要求以带证据引用的结构化报告格式输出。
适用场景
适用于需要基于历史使用数据复盘工作流效果、评估智能体路由合理性、发现性能瓶颈与 token 浪费环节的场景。
限制与环境要求
需设置环境变量：AF_LEARNING_ENABLED=true、SUPABASE_URL、SUPABASE_SERVICE_KEY。分析依赖 Supabase 中已积累的学习数据，且仅支持手动触发。
与自我改进的集成
分析后的建议可通过 /learn:review 人工审阅、通过 /learn:apply --auto 自动应用（仅限高置信度）、或通过 /learn:save 保存为待处理项。