// Manager 团队复盘：聚合所有 Agent 的 L2 质量指标，统计 L1 人类纠正事件， 识别瓶颈 Agent 并触发其自我复盘，调用 LLM 生成团队级改进提案， 向 human.json 发送周报。
| name | team-retrospective |
| description | Manager 团队复盘：聚合所有 Agent 的 L2 质量指标，统计 L1 人类纠正事件， 识别瓶颈 Agent 并触发其自我复盘，调用 LLM 生成团队级改进提案， 向 human.json 发送周报。 |
| type | task |
Manager Agent 执行团队复盘时，调用本 Skill 从 Manager 视角分析团队整体状态：
脚本路径：/mnt/skills/team-retrospective/scripts/team_retro.py
# 先确保依赖已安装
pip install openai filelock -q
# 执行团队复盘
python3 /mnt/skills/team-retrospective/scripts/team_retro.py \
--logs-dir /mnt/shared/logs \
--mailbox-dir /mnt/shared/mailboxes \
--manager-id manager \
--agent-ids pm,manager \
--days 7
参数说明：
--logs-dir：日志根目录（固定为 /mnt/shared/logs）--mailbox-dir：邮箱目录（固定为 /mnt/shared/mailboxes）--manager-id：Manager 的 Agent ID（固定为 manager）--agent-ids：参与统计的 Agent ID 列表，逗号分隔（如 pm,manager）--days：回看天数，默认 7环境变量：ALIYUN_API_KEY（沙盒已注入）
{
"errcode": 0,
"errmsg": "success",
"agent_stats": {
"pm": {"task_count": 8, "avg_quality": 0.612, "failure_rate": 0.375},
"manager": {"task_count": 3, "avg_quality": 0.883, "failure_rate": 0.0}
},
"bottleneck_agent": "pm",
"l1_corrections": 0,
"l1_checkpoints": 3,
"team_proposals_count": 1
}
你必须通过 sandbox_execute_bash 实际运行 Python 脚本。
expected_output 字段猜测结果errcode=1：缺少 ALIYUN_API_KEY 环境变量errcode=2：LLM 调用失败技术设计文档 SOP——从需求到设计方案，产出 Markdown 文件到 /workspace/output/
Agent 自我复盘：读取 L2/L3/L1 日志，调用 LLM 生成结构化改进提案， 写入 proposals.json 并发通知至 human.json 等待审批。 适用场景：Agent 在完成足够多任务后，触发自我评估和改进提案生成。
审批复盘提案（Manager 专用）。收到 type=retro_report 邮件时加载此 Skill。按改动深度分档，memory 自动批准（加闸门），skill/agent 转 Human 确认，soul 标记高风险转 Human。
团队复盘思考框架（Manager 专用）。当你收到 type=team_retro_trigger 的邮件、或被要求"做团队复盘"时加载此 Skill。从聚合视角分析全员数据，发现跨 Agent 问题，级联触发瓶颈 Agent 的自我复盘，发周报给 Human。
自我复盘思考框架。当你收到 type=retro_trigger 的邮件、或被要求"反思本周工作"/"自我复盘"时加载此 Skill。用 log_query CLI 查数据，用 LLM 推理做分析，产出结构化复盘报告和改进提案。
初始化共享工作区，第27课新增 sop/ 目录和 human.json 邮箱。新项目启动时由 Manager 调用。