conduct-retrospective
О программе
Этот навык Claude автоматизирует проведение ретроспектив проектов или спринтов, анализируя отчёты о статусе и метрики для выявления успехов и областей улучшения. Он формирует структурированные, практические задачи с назначенными ответственными и сроками выполнения. Используйте его после спринтов, достижения вех, инцидентов или во время квартальных обзоров для систематического фиксирования извлечённых уроков.
Быстрая установка
Claude Code
Рекомендуетсяnpx skills add pjt222/agent-almanac -a claude-code/plugin add https://github.com/pjt222/agent-almanacgit clone https://github.com/pjt222/agent-almanac.git ~/.claude/skills/conduct-retrospectiveСкопируйте и вставьте эту команду в Claude Code для установки этого навыка
Документация
Conduct a Retrospective
Facilitate structured retrospective → review recent project exec, ID what worked + what didn't, produce actionable improvements w/ owners + due dates. Transforms raw project data → evidence-backed learnings w/ specific actions, owners, due dates.
Use When
- End of sprint (sprint retrospective)
- End of project phase / milestone
- Post significant incident, failure, or success
- Quarterly review of ongoing project procs
- Before starting similar project (lessons learned review)
In
- Required: Period under review (sprint number, date range, or milestone)
- Optional: Status reports from review period
- Optional: Sprint velocity + completion data
- Optional: Prev retrospective actions (check closure)
- Optional: Team feedback / survey results
Do
Step 1: Gather Retrospective Data
Read available artifacts from review period:
- STATUS-REPORT-*.md files for period
- SPRINT-PLAN.md for planned vs actual
- BACKLOG.md for item flow + cycle times
- Prev RETRO-*.md for open action items
Extract key facts:
- Items planned vs completed
- Velocity trend
- Blockers encountered + resolution time
- Unplanned work entering sprint
- Open action items from prev retros
→ Data summary w/ quantitative metrics (velocity, completion %, blocker count).
If err: No artifacts → base retro on qualitative observations.
Step 2: Structure "What Went Well"
List 3-5 things that worked, w/ evidence:
## What Went Well
| # | Observation | Evidence |
|---|------------|---------|
| 1 | [Specific positive observation] | [Metric, example, or artifact reference] |
| 2 | [Specific positive observation] | [Metric, example, or artifact reference] |
| 3 | [Specific positive observation] | [Metric, example, or artifact reference] |
Focus on practices to continue, not outcomes. "Daily standups kept blockers visible" > "We delivered on time."
→ 3-5 evidence-backed positive observations.
If err: Nothing went well → look harder. Small wins matter. At min, team completed period.
Step 3: Structure "What Needs Improvement"
List 3-5 things needing improvement, w/ evidence:
## What Needs Improvement
| # | Observation | Evidence | Impact |
|---|------------|---------|--------|
| 1 | [Specific issue] | [Metric, example, or incident] | [Effect on delivery] |
| 2 | [Specific issue] | [Metric, example, or incident] | [Effect on delivery] |
| 3 | [Specific issue] | [Metric, example, or incident] | [Effect on delivery] |
Specific + factual. "Estimation was off" = vague. "3 of 5 items exceeded estimates by >50%, adding 8 unplanned days" = actionable.
→ 3-5 evidence-backed improvement areas w/ stated impact.
If err: Team claims everything fine → compare planned vs actual metrics → gaps reveal issues.
Step 4: Generate Improvement Actions
Each improvement area → actionable item:
## Improvement Actions
| ID | Action | Owner | Due Date | Success Criteria | Source |
|----|--------|-------|----------|-----------------|--------|
| A-001 | [Specific action] | [Name] | [Date] | [How to verify success] | Improvement #1 |
| A-002 | [Specific action] | [Name] | [Date] | [How to verify success] | Improvement #2 |
| A-003 | [Specific action] | [Name] | [Date] | [How to verify success] | Improvement #3 |
Each action must be:
- Specific (not "improve estimation" but "add estimation review step to grooming")
- Owned (one person accountable)
- Time-bound (due date w/in next 1-2 sprints)
- Verifiable (success criteria defined)
→ 2-4 improvement actions w/ owners + due dates.
If err: Actions too vague → apply "how would you verify this was done?" test.
Step 5: Review Previous Actions + Write Report
Check prev retrospective actions for closure:
## Previous Action Review
| ID | Action | Owner | Status | Notes |
|----|--------|-------|--------|-------|
| A-prev-001 | [Action from last retro] | [Name] | Closed / Open / Recurring | [Outcome] |
| A-prev-002 | [Action from last retro] | [Name] | Closed / Open / Recurring | [Outcome] |
Flag recurring items (same issue appearing 3+ retros) → escalation or different approach needed.
Write complete retrospective:
# Retrospective: [Sprint N / Phase Name / Date Range]
## Date: [YYYY-MM-DD]
## Document ID: RETRO-[PROJECT]-[YYYY-MM-DD]
### Period Summary
- **Period**: [Sprint N / dates]
- **Planned**: [N items / N points]
- **Completed**: [N items / N points]
- **Velocity**: [N] (previous: [N])
- **Unplanned Work**: [N items]
### What Went Well
[From Step 2]
### What Needs Improvement
[From Step 3]
### Improvement Actions
[From Step 4]
### Previous Action Review
[From Step 5]
---
*Retrospective facilitated by: [Name/Agent]*
Save as RETRO-[YYYY-MM-DD].md.
→ Complete retrospective doc saved w/ actions, evidence, prev action review.
If err: Retro has no improvement actions → not driving change → revisit Step 3.
Check
- Retro file created w/ date-stamped filename
- Period summary includes quantitative metrics
- "What Went Well" has 3-5 evidence-backed items
- "What Needs Improvement" has 3-5 evidence-backed items
- Improvement actions have owners, due dates, success criteria
- Prev retro actions reviewed for closure
- Recurring issues flagged
Traps
- Blame game: Retros review procs + practices, not people. Frame issues systemic, not personal.
- Actions w/o follow-through: Biggest retro failure. Always review prev actions before creating new.
- Too many actions: 2-4 focused > 10 vague. Team can only absorb so many changes.
- No evidence: "We feel estimation bad" = opinion. "3 of 5 items exceeded estimates by 50%" = data. Always attach evidence.
- Skip positives: Only discussing problems demoralizing. Celebrating wins reinforces good practices.
→
generate-status-report— status reports provide data for retrosmanage-backlog— improvement actions feed back into backlogplan-sprint— retro learnings improve sprint planning accuracydraft-project-charter— review charter assumptions + risk accuracycreate-work-breakdown-structure— review estimation accuracy vs. WBS
GitHub репозиторий
Похожие навыки
content-collections
МетаЭтот навык предоставляет проверенную в продакшене настройку для Content Collections — TypeScript-ориентированного инструмента, который преобразует файлы Markdown/MDX в типобезопасные коллекции данных с валидацией Zod. Используйте его при создании блогов, сайтов документации или контентных приложений на Vite + React для обеспечения типобезопасности и автоматической проверки содержимого. Он охватывает всё: от настройки плагина Vite и компиляции MDX до оптимизации развертывания и валидации схем.
polymarket
МетаЭтот навык позволяет разработчикам создавать приложения на платформе прогнозных рынков Polymarket, включая интеграцию с API для торговли и получения рыночных данных. Он также обеспечивает потоковую передачу данных в реальном времени через WebSocket для отслеживания текущих сделок и рыночной активности. Используйте его для реализации торговых стратегий или создания инструментов, обрабатывающих обновления рынка в реальном времени.
creating-opencode-plugins
МетаЭтот навык помогает разработчикам создавать плагины OpenCode, которые подключаются к более чем 25 типам событий, таким как команды, файлы и операции LSP. Он предоставляет структуру плагина, спецификации API событий и шаблоны реализации для модулей на JavaScript/TypeScript. Используйте его, когда вам нужно перехватывать, отслеживать или расширять жизненный цикл ассистента OpenCode AI с помощью пользовательской событийно-ориентированной логики.
sglang
МетаSGLang — это высокопроизводительный фреймворк для обслуживания больших языковых моделей (LLM), специализирующийся на быстрой структурированной генерации JSON, regex и рабочих процессов агентов с использованием кэширования префиксов RadixAttention. Он обеспечивает значительно более высокую скорость вывода, особенно для задач с повторяющимися префиксами, что делает его идеальным для сложных структурированных результатов и многократных диалогов. Выбирайте SGLang вместо альтернатив, таких как vLLM, когда вам требуется ограниченное декодирование или вы создаете приложения с интенсивным совместным использованием префиксов.
