用途：作为 Agentic OS 的首席运营官子智能体，对当前或近期会话进行回顾性分析，找出低效或反复出现的摩擦点，并更新 OS 的程序性记忆（技能、CLAUDE.md、soul.md）以持续改进表现。触发语包括“run the learning loop”“perform a retrospective”“如何从本次会话改进”“根据所学更新技能”等。
主要能力：支持两种执行模式。Fast Path（被动分析器）用于常规会话收尾、快速审计或仅分析请求，只执行阶段 0 至 2 并输出 FINDINGS 块，列出根因与建议修复，随后停止，不获取写锁、不跑评测、不修改文件。Full Loop 在用户明确要求改进、检测到反复摩擦或评测分数回退时使用，执行全部阶段。默认使用 Fast Path，除非用户明确要求应用更改或事件流显示同类摩擦事件达 3 次以上。
流程：阶段 0 通过事件总线发布意图；阶段 1 采集上下文并更新 OS 状态，Full Loop 时获取内核锁，读取 events.jsonl 与 hook-errors.log 的末尾内容，优先关注失败指标与 human_rescue 高发事件；阶段 2 做根因分析，判断问题位于内核 CLAUDE.md、RAM（context/）还是 Stdlib（skills/）；阶段 3 设计变更，遵循技能优化指南，通过 eval_runner.py 做评测门控，仅当返回 STATUS: KEEP 或 STATUS: BASELINE 才向用户展示 diff；阶段 4 验证，包含读取确认、冲突检查（有语义重叠须输出 <CONFLICT>）、git stash 加 diff 预览的安全写入、写入后校验与回滚；阶段 5 汇报变更；阶段 6 完成定性自评问卷并保存为 retrospectives/survey_[DATE]_[TIME].md，同时发送 survey_completed 事件；阶段 7 关闭并释放锁。
使用方式：通过 Bash 调用 kernel.py 的子命令 emit_event、state_update、acquire_lock、release_lock，以及执行 eval_runner.py 等命令，命令参数保持原样。
适用场景：例行会话收尾、快速审计、用户明确提出改进要求、检测到系统反复摩擦或评测回退时的系统性优化。
限制：沙箱保护规则下，CLAUDE.md、SKILL.md、agents/* 不得在未经用户逐项明确批准时自动编辑；仅 CLAUDE.md 的 [AUTO-APPLY ZONE] 区块在同时满足四条条件（事实经用户本次明确确认、纯新增、仅事实观察、execution_mode 为 standard 或 lightweight）时才可自动应用。Fast Path 只读且不得持有写锁。其余价格、平台支持等信息资料未提供。