Harness Learn

从 .harness/observations.jsonl 分析行为模式，生成 instinct（原子化行为片段），给出改进和 Token 优化建议。

何时使用

• 自动触发：每轮 Loop 的 REVIEW 阶段，harness-review 自动调用
• 手动触发：用户说"看看学到了什么"、"分析一下"
• 想知道哪些文件是高风险的（高频修改但可能没测试）

前置条件

• session-logger Hook 已启用（HARNESS_LOG 和 HARNESS_LEARN 都不是 off）
• .harness/observations.jsonl 存在且有数据（建议 20+ 条）

执行

node scripts/hooks/harness-learn.js --report

分析维度

1. 工具序列模式 — 相同 3 步序列出现 3+ 次（如 Grep→Read→Edit）
2. 高频工具对 — A 之后总是跟 B（如 Edit→Bash）
3. 高频修改文件 — 经常被编辑的文件 = 高风险，可能需要测试覆盖
4. Token 优化 — 稳定 instinct（置信度 ≥0.9）建议提炼为 Rule

输出

• .harness/instincts/*.json — 生成的 instinct 文件
• .harness/learn-report.md — 分析报告（展示给用户）

Instinct 生命周期

observation 积累
    ↓ harness-learn 分析
instinct (置信度 0.3)
    ↓ 多次观察确认
instinct (置信度 0.9)
    ↓ --promote 建议
Rule (.claude/rules/)  ← 零 token 消耗
    ↓ 如果可强制
Hook (脚本)           ← 100% 可靠

与 ECC continuous-learning-v2 的区别

维度	ECC	我们
Hook 开销	重（Bash 414行 + Python ×3-4 fork）	轻（Node.js 单进程，<50ms）
分析方式	后台 Agent 调 Haiku（消耗 API）	纯本地规则匹配（零 API 调用）
触发方式	自动后台轮询	按需手动（/harness-learn）
后台进程	nohup + PID + flock	无
Instinct 粒度	用户全局 ↔ 项目级	用户级（团队多人相同才提议晋升项目级）