** Сеансовая ретроспекция на основе LLM для агентов Claude Code.** После сеанса T0 читает стенограмму разговора, обнаруживает трение и направляет каждую находку в один из семи домов — с одобрения каждого предложения и без тихих записей.

Там, где непрерывные крючки обнаружения трения накапливают только письменный шум, никто не сортирует, /retro читает то, что на самом деле произошло, и передает вам короткий список утвержденных, прочных знаний — глобальное правило, правила проекта или навыки PR.

Содержимое

• Что он делает? Почему
• Требования
• Установить Использование — шесть режимов
• Проработанный пример
• Семь направлений
• Как это работает
• Как это безопасно
• Честные ограничения
• Факультативный авто-триггер
• Планировка хранилища Связанные проекты
• Испытания
• Зависимости
• Управление и политика
• Вклад
• Лицензия

Что он делает

/retro анализирует текущую сессию Claude Code непосредственно из стенограммы разговора — никаких непрерывных фоновых крючков.

retro — session retrospectives for agent systems

LLM-driven session retrospection for Claude Code and Codex. Improve accepted task completion at the required quality within economically feasible time and cost. /retro examines friction, unmet goals and reusable successes across instructions, knowledge, tools, environment and collaboration, then routes useful measures to seven destinations.

Where continuous friction-detection hooks pile up write-only noise nobody triages, /retro reads what actually happened and hands you a short list of approved, durable learnings — a global rule, project rules, or skill PRs.

Contents

• What it does
• Why
• Requirements
• Install
• Usage — the six modes
• A worked example
• The seven destinations
• How it works
• How it stays safe
• Honest limitations
• Optional auto-trigger
• Repository layout
• Related projects
• Tests
• Dependencies
• Governance and policies
• Contributing
• License

What it does

/retro analyzes the current session from its transcript without continuous background hooks. It classifies useful findings into seven destinations, asking first who owns the truth and whether a rule still serves its purpose. It checks the existing mandate for each target, action and audience, executes covered changes and asks only for uncovered decisions.

A single sweep returns at most ten actionable proposals, grouped by destination, each with a short why and a how-to-apply.

The learning contract distinguishes observations, facts, decisions, preferences and hypotheses. Mad/Sad/Glad are brief evidence-seeking perspectives, not claimed emotions. A first success may yield a bounded learning; a justified no-op is equally valid. Written, accepted, available, applied and effective remain separate states. Green CI and an unreverted merge alone do not prove a better approach. Claims stay bounded to tested tasks and agent configurations, including cheaper executors actually used. Efficiency includes retro, verification, delegation and human rework.

Why