Claude Code /insights 详解：用 AI 分析你自己用 AI 的方式

为什么需要 /insights

你每天用 Claude Code 写代码、改 bug、做重构。但你有没有想过：你到底是怎么用它的？哪些工作流最顺手？哪些地方反复卡壳？

大多数人不会主动复盘这件事。你只是用，然后继续用，摩擦点一直在，好的习惯也没被固化。

这些问题，/insights 帮你回答。

/insights 是什么

/insights 是 Claude Code 的会话分析命令。它扫描你本地保存的所有 Claude Code 会话记录，用 Claude Opus 分析你的使用模式，最后生成一份 HTML 报告。

/insights

执行后会出现进度提示 analyzing your sessions，然后输出分析结果并保存报告到本地文件。

五阶段分析流水线

/insights 背后有一套完整的数据处理流程，不是简单地把数字加起来。

第一阶段：轻量扫描

Claude Code 将所有会话存储在 ~/.claude/projects/ 目录下，以 .jsonl 格式按项目和会话 ID 组织。第一阶段只做文件系统扫描，读取元数据，不加载完整会话内容，速度很快。

第二阶段：缓存 + 解析

每次分析的结果会缓存在 ~/.claude/usage-data/ 目录下：

session-meta/ — 每个会话的统计摘要
facets/ — 每个会话的 AI 分析维度

新会话才会重新解析。最多分析 200 个会话，超出部分按时间排序取最新的。

第三阶段：会话维度提取（SessionFacets）

对每个未缓存的会话，调用 Claude Opus 提取结构化维度：

字段	含义
`underlying_goal`	这次会话你真正想实现什么
`outcome`	结果（完全达成/大部分达成/部分达成/未达成）
`brief_summary`	会话摘要
`goal_categories`	任务分类，见下表
`user_satisfaction_counts`	你的满意度信号（happy/satisfied/dissatisfied/frustrated）
`claude_helpfulness`	Claude 的帮助程度（unhelpful 到 essential）
`friction_counts`	各类摩擦次数
`friction_detail`	摩擦的具体描述
`primary_success`	核心成功因素
`user_instructions_to_claude`	你在会话中给 Claude 的指令列表

任务分类（goal_categories）一览：

分类	说明
`debug_investigate`	调试/排查问题
`implement_feature`	实现新功能
`fix_bug`	修复 bug
`write_script_tool`	写脚本或工具
`refactor_code`	重构代码
`configure_system`	配置系统
`create_pr_commit`	创建 PR/提交
`analyze_data`	数据分析
`understand_codebase`	理解代码库
`write_tests`	写测试
`write_docs`	写文档
`deploy_infra`	部署/基础设施

提取时有一条关键规则：只统计用户明确发起的操作，不统计 Claude 自主探索时做的事。“帮我实现登录功能”算，Claude 自己顺手看了几个文件不算。

摩擦点分类（friction_counts）：

分类	含义
`misunderstood_request`	Claude 理解错了你的意图
`wrong_approach`	方向对但解法不对
`buggy_code`	生成了有 bug 的代码
`user_rejected_action`	你叫停了某个操作
`excessive_changes`	改动太多，过度工程化

第四阶段：聚合统计（AggregatedData）

跨所有会话汇总全局数据：

基础统计：

总会话数、总消息数、总使用时长（小时）
总 input/output token 数
活跃天数、每日平均消息数

代码变更：

总新增行数、总删除行数、总修改文件数

工具使用：

每种工具的调用次数分布
使用过 Task Agent 的会话数
使用过 MCP 的会话数
使用过 Web Search/Fetch 的会话数

协作模式：

multi_clauding：检测你是否同时开了多个 Claude Code 会话——通过时间戳重叠来判断，记录重叠事件数、涉及会话数、期间的消息数

响应时间：

你在 Claude 回复后的响应时间中位数和平均值
用于判断你是”快速迭代”还是”深度思考后再发”的互动风格

时段分布：

记录每条消息的小时数，用于生成一天中使用高峰时段的分析

第五阶段：并行生成洞察

将聚合数据和会话摘要喂给 Claude Opus，并行生成多个报告章节，每个章节独立 API 调用，最大 8192 output tokens。

七大报告章节

1. Project Areas — 项目领域

识别你主要在做哪 4-5 类项目，每类列出会话数和 2-3 句描述，说明你怎么用 Claude Code 来处理这类工作。

2. Interaction Style — 互动风格

这是最有意思的一章。用 2-3 段分析你具体怎么和 Claude 互动：

先写详细规格再执行，还是边走边迭代？
经常打断 Claude，还是让它跑完再看？
有哪些反复出现的互动模式？

最后给出一句”最鲜明的互动风格”总结。

3. What Works — 顺手的工作流

列出 3 个你做得最顺手的工作流，有标题、有描述，用第二人称”你”来写，像是一个了解你的人在总结你的优势。

4. Friction Analysis — 摩擦点分析

列出 3 类摩擦点，每类：

一句话说明这类摩擦是什么、该怎么应对
2 个具体例子（来自真实会话）

这一章是整个报告最有价值的部分之一——很多习惯性的低效你自己感知不到，但会话数据里全是证据。

5. Suggestions — 改进建议

三个维度的具体建议：

CLAUDE.md 添加项：基于你反复给 Claude 说过的话，提炼出可以固化到 CLAUDE.md 的规则，让你不用每次都重复交代。比如你在多个会话里都说”改完后运行一下测试”，这就是一条值得写进 CLAUDE.md 的指令。

推荐尝试的功能：从 MCP、自定义技能、Hooks、Headless 模式、Task Agents 这几个方向里，选出最适合你当前工作流的，并给出可以直接复制的命令或配置。

使用习惯建议：每条建议都附一个可以直接用的 prompt，让建议落地变得很容易。

6. On the Horizon — 进阶可能

基于你的使用模式，提出 3 个还没探索的进阶方向——自主化工作流、并行 Agent、测试驱动开发等，每个方向都给出一个”可以直接试试”的 prompt。

7. Fun Ending — 一个值得记住的时刻

从所有会话里找出一个有意思或好笑的时刻，用一句标题和简短背景来收尾。不是数据，是人味。

摘要头部

报告开头是量化概览，一目了然：

Sessions analyzed:     87 (of 142 scanned)
Total messages:        1,203
Total duration:        47.3 hours
Git commits:           234  |  Git pushes: 89
Date range:            2026-01-15 → 2026-04-07

报告保存在哪

HTML 报告保存到：

~/.claude/data/report.html

执行后终端会输出文件路径，用浏览器打开即可查看完整报告，包含图表和格式化内容。

为什么用 Opus

/insights 内部固定使用 Claude Opus 进行分析——包括第三阶段的维度提取和第五阶段的洞察生成。

原因很直接：这是一个需要对大量非结构化会话数据做深度理解、模式识别、因果推断的任务，是 Opus 最擅长的场景。速度不是首要目标，报告质量才是。

数据来自哪里、存在哪里

/insights 只读取本地数据，不上传到云端：

会话原始数据：~/.claude/projects/<project-hash>/<session-id>.jsonl
统计缓存：~/.claude/usage-data/session-meta/
AI 分析缓存：~/.claude/usage-data/facets/
生成报告：~/.claude/data/report.html

缓存机制保证了第二次运行会快很多——只有新会话需要重新分析，老数据直接读缓存。

技术细节：延迟加载

/insights 的实现文件有 113KB，包含大量 HTML 渲染依赖。为了不拖慢 Claude Code 启动速度，这个模块采用延迟加载策略：只有当你真正执行 /insights 时才导入，平时不占任何启动开销。

什么时候用

几个典型场景：

每月复盘：看这个月主要做了什么类型的工作，效率如何，摩擦点集中在哪里。

优化 CLAUDE.md：看 suggestions 章节，把你反复交代给 Claude 的指令固化进去，省去每次重复解释的时间。

发现盲区：features_to_try 部分可能会推荐你从没用过但很适合你工作流的功能，比如 MCP 连数据库、Hooks 自动跑格式化、Headless 模式接入 CI。

量化产出：git commits、代码行数变化等数据，可以作为一段时间内工作产出的参考记录。

写在最后

/insights 做了一件很有意思的事：用 AI 来分析你和 AI 协作的方式。

它不只是统计数字，而是真正试图理解你的工作模式——哪里顺、哪里卡、下一步该往哪走。七个章节里，有的告诉你做得好的地方，有的把你没意识到的摩擦点摆在你面前，有的给你一条可以马上复制去试的 prompt。

了解自己怎么用工具，是把工具用好的前提。