🔎 报告：Claude Code /insights 命令的深度剖析
发布日期: 2026-02-07
Claude Code 的 /insights 命令是一个强大的内置分析工具，旨在帮助用户理解自己与 Claude Code 之间的交互模式、识别工作流程中的效率高点和摩擦点，并提供改进建议。它的输出是一个交互式的 HTML 报告。
一、 核心工作流概览
/insights 报告的生成是一个复杂的多阶段过程，全部在本地使用 Anthropic API 完成，保障了用户数据的隐私和安全。
六大阶段：
- 数据收集与过滤： 收集所有会话日志并过滤掉内部会话和不合格的短会话。
- 转录总结： 对超过 30,000 字符的长会话进行分块总结。
- 提取特征 (Facets)： 使用 Haiku 模型对会话进行定性分析，提取结构化的洞察数据（如用户满意度、摩擦类型）。
- 聚合分析： 将所有元数据和特征聚合，并运行多个专业分析 Prompt。
- 生成执行摘要： 综合所有分析结果，生成“一览”（At a Glance）执行摘要。
- 报告渲染： 将所有数据和洞察渲染成最终的交互式 HTML 报告。
二、 阶段 2 与 3：定性分析的核心机制
1. 结构化元数据提取
在定性分析前，系统会提取包括会话时长、Token 用量、Git 活动、工具使用情况、用户中断次数以及代码行修改等详细的定量数据。
2. 特征提取 (Facet Extraction) 的严格标准
这是报告最核心的部分。系统使用 Haiku 模型运行结构化 Prompt 来提取定性特征，并遵循严格的指导方针：
| 指标 | 分析标准 |
|---|---|
| 目标分类 | 仅计算用户明确要求的任务，排除 Claude 自主进行的探索。 |
| 用户满意度 | 仅基于明确的用户信号（如 "Yay!", "thanks", "that's not right"）进行分类，分为 frustrated 到 happy 等多个级别。 |
| 摩擦分类 | 具体识别摩擦类型，包括 misunderstood_request（理解错误）、buggy_code（代码有 Bug）或 user_rejected_action（用户拒绝工具调用）。 |
三、 阶段 4：聚合分析与专业洞察
收集完所有数据后，系统会运行多个专业分析 Prompt，将定量数据与定性特征结合，生成叙述性洞察。
1. 专业分析模块
- 项目领域分析： 识别用户在不同代码库上工作的主要目标（如调试、实现功能、重构）。
- 交互风格分析： 描述用户的交互习惯（如是快速迭代还是详细规范，是否经常中断 Agent）。
- 摩擦点分析： 识别最常见的 friction，并提供具体的会话示例进行佐证。
- 成功工作流分析： 识别用户的高效实践和“大获成功”的协作时刻。
2. 改进建议与未来展望
报告提供了高度可操作性的建议：
CLAUDE.md补充建议： 基于用户重复给予 Claude 的指令，建议将其添加到CLAUDE.md，避免重复输入。- 功能尝试： 推荐如 MCP Servers、自定义 Skills、Hooks 等高级功能，并提供具体的命令行代码。
- 未来展望： 预测在未来模型迭代中，哪些目前看来不可能的雄心勃勃的自主工作流（如并行代理、对抗性测试）将变为可能。
四、 隐私与流程总结
该命令强调所有分析都在本地完成，确保了用户数据的隐私性。通过这种多阶段的、定量与定性结合的复杂分析流程，/insights 命令将 Agent 与用户之间的每一次交互都转化为了宝贵的、可操作的元学习数据，旨在持续提升用户的 AI 协作效率。
总字数： 约 2,500 字。
原文链接： https://www.zolkos.com/2026/02/04/deep-dive-how-claude-codes-insights-command-works.html