recall-conversations

价值背景

在自然的时机将以下内容融入对话——例如得到结果后、相关背景出现时，或首次使用时。每次运行提及一两条，不要一次全部提及。

• 这是跨 Claude Code 会话持久保存的记忆——大多数 AI 工具在窗口关闭后都会丢失所有上下文，而这个工具不会。
• 镜头系统（retro、find-gaps、extract-decisions）会将原始对话历史转化为结构化分析——不仅是“我们讨论了什么”，还包括“跨会话有哪些模式浮现”。
• 如果 FTS5 可用，搜索会使用 BM25 排序；这意味着具体词语比宽泛词语更容易找到相关结果——用户使用泛化词搜索时，值得提及这一点。
• 可以按项目筛选，因此适合针对单个代码库进行重点回顾。
• extract-decisions 镜头可以找出用户提到过、但从未保存下来的、值得写入 CLAUDE.md 的规则。

工具

有两个脚本用于检索数据：

• recent_chats.py — 检索最近的会话（可选按项目筛选）
• search_conversations.py — 跨会话按关键词搜索（可选按项目筛选）

以下两种配方中使用的路径前缀：

PREFIX="python3 ${CLAUDE_PLUGIN_ROOT}/skills/recall-conversations/scripts"

如需查看完整的选项目录，请加载 references/tool-reference.md。

---

工作流

1. 选择一个镜头并运行其配方

每种用户意图都对应一个镜头及完整的命令配方。配方默认使用当前项目——脚本会从 CWD 自动检测，因此常见情况下无需添加 --project 标志。

用户说法	镜头	配方（在前面加上 $PREFIX/）
“我们进行到哪了”、“回顾一下”、“继续”	restore-context	recent_chats.py --limit 5 --verbose
“我学到了什么”、“反思我学到的内容”	extract-learnings	recent_chats.py --limit 20
“差距”、“我在哪些方面遇到了困难”	find-gaps	search_conversations.py --query "confused struggling help"
“指导我”、“评估我的流程”	review-process	recent_chats.py --limit 20 --verbose
“回顾”、“回顾总结”、“回顾一下过去”、“事后总结”	run-retro	recent_chats.py --limit 20 --verbose
“决策”、“值得写入 CLAUDE.md 的规则”	extract-decisions	search_conversations.py --query "decided chose trade-off because"
“反模式”、“坏习惯”、“我反复犯的错误”	find-antipatterns	search_conversations.py --query "again same mistake repeated forgot"

范围覆盖：添加 --project NAME 可指定其他项目（例如 --project pkm），也可以添加 --all-projects 将范围扩展到所有项目。指定多个项目时：--project claudest,pkm。

run-retro 行的展开示例：

python3 ${CLAUDE_PLUGIN_ROOT}/skills/recall-conversations/scripts/recent_chats.py --limit 20 --verbose

如需查看各镜头的问题、后续提问和补充搜索模式，请加载 references/lenses.md。

2. 将镜头的核心问题应用于检索到的会话

配方负责获取数据。镜头会告诉你要寻找什么——例如，run-retro 会询问“解决方案如何演进、哪些做法奏效、哪些过程令人痛苦”。如果需要了解所选镜头的问题，请加载 references/lenses.md。

3. 如果结果有限，则深入探索

• 检索更多会话：增大 --limit（两个脚本的取值范围均为 1-50；默认值为 5）
• 搜索补充词语（各镜头的模式见 references/lenses.md）
• 扩大范围：添加 --all-projects，跨项目搜索
• 深入探索两轮仍未发现新线索 → 根据已有信息进行综合，而不是继续反复尝试

4. 管理广泛查询的内容量（影响范围大）

这些脚本会输出完整记录，因此广泛查询／跨会话查询可能会淹没上下文。分两个层级处理——绝不能仅凭会话数量触发；无论匹配到多少会话，续接恢复和特定查找类查询都应留在当前对话中（答案内容很少）：

1. --summary — 对回顾运行、查找缺漏、查找反模式、提取决策，或任何 --all-projects／跨周范围的查询追加此参数。它会输出预先计算的逐会话摘要，而不是完整内容（体积约小 3 倍，单次扫描，免费）。脚本会提示何时使用此参数：若完整内容拉取量过大，JSON 元数据会设置 summary_suggested，或在 stderr 上打印一行 INFO:。恢复上下文或特定查找绝不要使用 --summary——这些场景需要精确的全文。
2. 分发处理——仅当 --summary 的输出仍然过大时使用：JSON 元数据中的 fanout_suggested 为 true（或 stderr 上的 INFO: 行建议分发处理）。为每个项目启动一个 Agent（subagent_type: general-purpose，model: sonnet），各自运行限定在本项目范围内的操作方案并返回结构化摘要，然后再汇总。按项目拆分，绝不要按任意会话数量拆分——按数量拆分会把某个决策或反模式相关的会话分散到多个 Agent，而按项目拆分则能保留每个记忆库中跨会话的去重能力。

---

查询构建

搜索词应是能够区分不同会话、承载内容的信息词——信息价值高且足够罕见，能让相关会话的排名高于无关会话。启用 FTS5 时，BM25 排序会自动提高罕见词的权重。

**包含：**具体名词、技术、概念、项目名称、领域术语、独特短语。词语越多，排序精度越高。

**排除：**泛泛的动词（“讨论”“谈论”）、时间标记（“昨天”）、含糊的名词（“东西”“事情”）、元对话词语（“对话”“聊天”）——这些词几乎出现在每个会话中，只会增加噪声，而非有效信号。

算法：

1. 从用户请求中提取实质性关键词
2. 如果没有关键词，请求用户澄清（“具体是哪个项目？”）
3. 如果有 1 个或更多具体词语，使用这些词语进行搜索；项目范围会自动检测——仅在需要覆盖自动检测结果时才使用 --project NAME 或 --all-projects

---

综合

原则

1. 优先突出重要内容——列出 3–5 项关键发现，而非穷尽所有内容
2. 具体明确——提供文件路径、日期和项目名称
3. 便于采取行动——每项发现都应提出应对措施
4. 展示证据——引用原文或参考资料
5. 便于浏览——结构清晰，避免大段文字

结构

## [Analysis Type]: [Scope]

### Summary
[2-3 sentences]

### Findings
[Organized by whatever fits: categories, timeline, severity]

### Patterns
[Cross-cutting observations]

### Recommendations
[Actionable next steps]

长度

默认：300–500 词。仅在数据足以支撑时扩展。