PR复盘还在靠感觉？learn-from-pr自动提取Agent失败模式，这个操作真的绝了🔥-Skill优仓

你有没有遇到过这种情况

Agent改了11次PR，全在错误的文件里转圈，最后还是你手动找到了真正的问题所在。复盘的时候只能凭记忆回想”当时哪里出了问题”，然后什么也没记录下来，下次还是一样的坑。

learn-from-pr这个Skill就是专门解决这个问题的。它能在PR合并后，自动分析Agent的行为轨迹，把失败模式、慢速成功的原因、快速成功的经验全部结构化提取出来，生成可以直接落地的改进建议。

核心功能

learn-from-pr的核心逻辑是对比”Agent尝试了哪些文件”和”最终修复在哪个文件”，从这个差距里找出问题根源。

失败模式识别：覆盖10+种常见失败模式，包括”只盯着报错文件”、”信任了Issue标题”、”修了症状没修根因”、”过度设计”等，每种模式都有明确的判断指标。
三种场景分析：Agent彻底失败、Agent慢速成功（多次尝试）、Agent快速成功，三种场景各有对应的分析框架，不会一刀切。
可执行建议输出：每条建议都包含分类、优先级、具体文件路径、要添加的确切文本、以及为什么这样改有效。不是模糊的”加强文档”，而是”在.github/instructions/ios-debugging.instructions.md第X行加入这段话”。
改进位置发现：自动扫描仓库中的instructions文件、skills文件、设计文档等，帮你找到最合适的改进落点。

适用平台

learn-from-pr作为一个标准Skill，可以无缝接入主流AI编程助手工作流。无论你在用Cursor、GitHub Copilot、Claude Code、OpenAI Codex，还是Gemini Code Assist、文心快码、腾讯云CodeBuddy、华为云CodeArts，这个Skill都能作为”最强外挂”嵌入你的PR工作流，显著提升AI在下一次任务中的上下文理解能力。

它的本质是一个持续学习的反馈回路——每次PR都是一次训练数据，learn-from-pr把这些数据转化成Agent能直接消费的instructions和skill更新。

实操代码示例

使用前需要确保已安装GitHub CLI，然后直接指定PR号即可触发分析：

# 获取PR基本信息和diff
gh pr view 33352 --json title,body,files
gh pr diff 33352

# 检查是否存在会话日志（可选但能提供更丰富的上下文）
ls CustomAgentLogsTmp/PRState/issue-33352.md 2>/dev/null

# 扫描现有的Agent指导文件，确定改进落点
find .github/instructions -name "*.instructions.md" 2>/dev/null
find .github/skills -name "SKILL.md" 2>/dev/null

如果存在会话日志文件，Skill会从中提取Fix Candidates表格，对比每次尝试的目标文件和最终修复文件，这是最精准的失败模式定位方式。没有日志文件也没关系，PR的commit历史和评论区同样能提供足够的分析素材。

优势分析

市面上大多数复盘工具停留在”记录发生了什么”的层面，learn-from-pr直接跳到”下次怎么避免”。

不依赖完整日志：即使没有会话markdown，也能从PR diff、commit历史、代码复杂度推断出学习机会，不会因为数据缺失就放弃分析。
优先级明确：建议按”能预防多少同类bug”、”未来Agent是否必然再踩”、”实施难度”三个维度排序，不会让你面对一堆等权重的TODO。
正向强化也覆盖：不只分析失败，快速成功的PR同样值得分析——把有效的搜索策略和模式识别方法固化到instructions里，让好的经验可复用。
与pr-finalize集成：在PR工作流中有明确的位置，pr-finalize确认PR就绪后，learn-from-pr接手做复盘，职责清晰不重叠。

应用场景

Agent踩坑后的根因分析：比如Agent在iOS崩溃修复中一直盯着报错文件名，实际问题在另一个完全不同的组件里。learn-from-pr能识别出”信任Issue标题”这个失败模式，并建议在ios-debugging.instructions.md里加入跨文件搜索的规则。
慢速成功的效率优化：Agent花了5次尝试才找到正确的抽象层，前3次都在handler层打转，问题其实在core层。这种情况下，Skill会建议补充架构文档，说明handler和core各自的职责边界。
成功经验的固化：Agent一次就找到了Button禁用状态的修复方案，因为它搜索了同类控件的相似实现。这个搜索策略值得写进try-fix Skill里，让每次任务都默认执行这个步骤。
团队知识沉淀：对于有多个开发者协作的仓库，learn-from-pr生成的建议可以作为PR review的一部分，让整个团队的Agent配置持续进化。

最佳实践

learn-from-pr的价值在于持续使用，而不是偶尔用一次。建议把它纳入每次有Agent参与的PR的标准收尾流程，哪怕Agent表现很好，也值得跑一遍来强化有效模式。

对于建议的落地，优先处理High优先级的instruction文件更新，这类改动能预防整类bug，投入产出比最高。Medium优先级的发现性改进可以批量处理，比如每两周集中更新一次skills文件。Low优先级的”nice to have”可以放进backlog，不要让它们阻塞高价值的改动。

另外，执行Skill前先确认PR已经通过pr-finalize，避免在未定稿的PR上做分析，结论可能因为后续改动而失效。对于纯人工修复、没有Agent参与的PR，以及只改了typo的琐碎PR，可以跳过分析，把精力集中在真正有学习价值的案例上。

如果你的团队在用多个AI编程助手，建议把learn-from-pr生成的instructions和skills同步到所有工具的配置目录，让每个助手都能从同一套经验库里受益。想找更多类似的工程化Skill，可以去Skill优仓看看，上面汇聚了大量针对AI编程工作流的实用Skill资源，覆盖从代码生成到测试复盘的完整链路。