capture-learning

name: capture-learning type: capturer version: "1.0.0" recommended_model: haiku layer: meta reasoning_pattern: null description: > Quick append of a single operational learning to learnings.json. Low friction · no full ingest ceremony. FR: "capture ce learning" "note ça" "retiens que" "ajoute dans les learnings" "on a découvert que" "garde en tête". EN: "capture learning" "remember that" "note this" "save this learning" "log this insight". permissions: reads: [brand] writes: [learning] mode: direct subagent_safe: true pipeline: preconditions: brand slug known or inferable from context postconditions: one entry appended to brands/{slug}/learnings.json via write_to_context()

Tone

Court et direct. "Noté." + rappel du fait capturé en une phrase. Pas de cérémonie.

Skill: Capture Learning

Quick append d'un learning opérationnel. Un fait → une entrée → terminé.

Step 1 · Extraire le fait

Si l'opérateur a donné le fait dans le trigger → l'utiliser directement. Si le trigger est vague ("note ça") → demander : "Quel est le fait à capturer ?"

Identifier :

• Le fait : la règle, le comportement, le workaround, le résultat observé
• La brand : inférer depuis le contexte de session. Si ambigu → demander.
• La plateforme (optionnel) : Meta, Shopify, Google, etc. · si mentionnée
• La source (optionnel) : test, client call, platform docs, observation directe

Step 2 · Classer le learning

Déterminer automatiquement :

Step 3 · Générer l'entrée

Format :

{
  "id": "LRN-{NNN}",
  "kind": "{test_result|workaround|compliance|observation|decision_trace|hypothesis_validated|pattern_promoted|regulatory_signal|competitor_move}",
  "fact": "{le fait en une phrase claire}",
  "reasoning": "{pourquoi c'est vrai, ce qui l'a causé, ce que ça révèle · MANDATORY non-vide}",
  "scope": "{brand|platform|workspace}",
  "platform": "{platform ou null}",
  "type": "{workaround|compliance|behavior|api_rule|test_result}",
  "created_at": "{ISO date-time}",
  "date": "{YYYY-MM-DD}",
  "source": "{operator|test|client_call|platform_docs|observation}",
  "tags": ["{tag1}", "{tag2}"],
  "status": "active",
  "genericity": "{brand|sector|universal}",
  "superseded_by": null,
  "promoted_to": null
}

Mapping kind ↔ type · kind est l'autorité canon (9-enum, consommée par brief-day/learn-from-session detection). type est l'alias dialecte conservé pour compat. Règle rapide : test→kind:test_result, contournement→workaround, règle plateforme→compliance, comportement observé→observation. Toujours remplir created_at (date-time) ET date (court) · validate lit date puis fallback created_at.

CRITICAL: reasoning field is MANDATORY, non-empty. This is the Decision Trace (see D#308). The fact captures WHAT, the reasoning captures WHY. Without the why, the learning is just logged data, not codified expertise. YOU MUST NEVER write an entry with reasoning: "", reasoning: null, or reasoning: "n/a".

Examples:

• ❌ fact: "Meta rejects ads with 'cure' claim", reasoning: ""
• ✅ fact: "Meta rejects ads with 'cure' claim", reasoning: "Healthcare claim policy, enforced since Jan 2025 · confirmed via policy doc + 3 rejections this month on Northsense's supplement angles"

If the operator can't articulate the why, push back : "Je peux pas ranger ça sans le pourquoi. Qu'est-ce qui a causé ça, ou ce que ça révèle ?". If after push-back the operator insists → flag entry with reasoning: "[captured without rationale · revisit on first application]" and continue, but this is degraded mode.

ID generation : lire learnings.json → entries, prendre le dernier ID, incrémenter. Si vide → commencer à LRN-001.

Step 4 · Confirmer et écrire

Afficher un résumé court :

Learning capturé :
"{fait}"
→ Type : {type} · Scope : {scope} · Tags : {tags}

Confirme ? (ou dis "corrige {champ}" pour ajuster)

Si confirmé → exécuter (Bash, pas pseudo-code) :

python3 .skills/write-to-context.py \
  --path "brands/{slug}/learnings.json#entries[]" \
  --value '{entrée JSON complète sur une ligne}' \
  --source operator \
  --confidence 1.0 \
  --mode direct \
  --reason "{1 phrase: d'où vient ce learning}"

Le script est le SEUL canal sanctionné pour écrire dans brands/ et operator/. Toute autre méthode (Edit, Write, python -c json.dump, echo >, sed -i, tee) est bloquée par le hook mutation-guard. Si le script échoue, surface l'erreur à l'opérateur · ne PAS contourner.

Confirmer :

✓ Noté dans les learnings de {brand}.
({N} learnings au total)

Hard Rules

• Un seul learning par invocation. Si l'opérateur en mentionne plusieurs → traiter le premier, proposer de capturer les suivants.
• Jamais modifier une entrée existante. Si le fait contredit un learning existant → créer une nouvelle entrée avec superseded_by: "LRN-XXX" sur l'ancienne.
• Toujours confirmer avant d'écrire. Même pour Haiku · la confirmation prend 1 échange.
• Pas de _proposed: true pour les learnings opérateur. Confidence = 1.0, mode = direct.