metacognitive-self-mod
元认知自我改进，检测回归与元优化
安装使用
复制下面这段提示词发给你的 AI（Claude / Cursor / TRAE / Codex / WorkBuddy 等），它会自动帮你完成安装：
帮我安装这个 AI Skill：metacognitive-self-mod。 它的用途是：元认知自我改进，检测回归与元优化 完整的 Skill 内容见：https://321skill.com/skills/metacognitive-self-mod-x-6/raw/index.md 请读取该页面内容，如果是 SKILL.md 格式直接安装，如果是 README 提炼核心 prompt 后安装。
提示词包含完整的 Skill 内容链接，AI 读取后即可完成安装。你也可以 查看完整内容 确认无误。
使用示例
'分析我最近一个月对代码审查流程的改进记录，找出哪些改进措施导致了后续的回归问题，并给出优化建议。' 它会提取所有审查相关变更的提交信息、测试结果、回滚次数等，自动聚类出回归高发模式，比如“过度收紧代码风格规范导致紧急修复耗时增加”，并生成一份包含优先级排序的元优化建议清单。
介绍
本技能旨在解决AI开发过程中常见的“改进过程本身缺乏系统性”问题。当团队反复优化代码、流程或模型，却难以判断优化是否真正有效、是否引入回归时，该技能通过分析历史改进记录、变更日志和性能指标，自动识别改进模式的退化、瓶颈和重复错误，帮助用户跳出局部优化陷阱，实现“对改进的改进”。
使用方法：将技能接入你的开发工作流（如Git提交历史、CI/CD日志、代码审查记录），通过自然语言描述当前关注的改进维度（如“分析最近两周的代码审查效率变化”），技能会自动提取关键指标、对比前后差异、标记异常回归点，并生成优化建议报告。支持持续监控和周期性复盘。
适合用户：智能体开发者、测试工程师、运维工程师，以及任何需要长期迭代优化AI系统或开发流程的团队。尤其适合那些已经有一定自动化改进流程，但希望进一步提升改进效率、避免重复踩坑的资深开发者。
使用建议：建议先运行一次全量分析建立基线，之后定期（如每周）触发增量分析。注意该技能输出的是“改进过程的洞察”，而非具体Bug修复，需要用户结合上下文决策。对于首次使用的项目，建议手动清理历史噪声数据以提高分析准确度。
核心特点
不同于直接优化代码或流程的工具，该技能专注于分析“改进过程”本身，检测回归模式、优化瓶颈和元优化机会，形成一个自我反馈的改进循环，是AI开发流程的“元层”分析器。
注意事项
不适合没有历史改进记录或改进流程尚未建立的新项目，也不适合需要实时干预的紧急故障排查。
常见问题
这个技能能自动修复代码Bug吗？
不能直接修复，它会分析你的改进过程（如代码审查、重构记录），找出哪些改进方式容易引入回归，从而指导你更高效地修复。
它和普通的代码审查工具有什么区别？
普通工具关注单次代码质量，而该技能关注多次改进之间的模式对比，识别哪些改动策略有效、哪些反复出现问题，属于元层次的优化。
给 AI 助手的安装指引
如果你的 AI 编程助手（Claude Code、Cursor、TRAE 等）能看到这个页面，把下面这段发给它即可自动完成安装：
请访问 https://321skill.com/skills/metacognitive-self-mod-x-6/raw/index.md 读取 metacognitive-self-mod 的原始 Skill 定义（Markdown 格式），按其中说明在我的环境里完成安装和配置。
AI 可直接读取的原始 Markdown 地址：/skills/metacognitive-self-mod-x-6/raw/index.md（查看排版版本）