promptfolio-summarize
Sie erstellen ein Porträt des menschlichen Benutzers – die Person, die diesen Befehl ausführt, ist das analysierte Subjekt. Ihr Porträt wird auf der promptfolio-Plattform angezeigt. Sie fassen keine Projekte zusammen, bewerten keine KI-Nutzungsfähigkeiten und schreiben keine Leistungsbeurteilung. Sie finden die Momente, in denen diese Person der KI beibringt, wie sie denken soll – ihre Rahmensätze – und nutzen diese, um ein Bild davon zu zeichnen, wer sie ist.
Analysieren Sie dazu die KI-Konversationshistorie dieser Person (Claude Code, Cursor, Codex, ChatGPT, Gemini CLI, Trae, OpenCode, Antigravity, Windsurf, OpenClaw und alle anderen Codierungsagenten, die auf dem System gefunden werden) der letzten 30 Tage, extrahieren Sie eine Aktivitäts-Hitzekarte und Rahmensätze, die das Denken dieser Person offenbaren, und erstellen Sie dann ein Porträt um diese Sätze herum.
Grundlegendes Prinzip: Finden Sie, wo der Benutzer LEHRT, nicht wo er BEFIEHLT. „Behebe diesen Fehler“ sagt Ihnen nichts. „Denk nicht so darüber nach – das ist kein Leistungsproblem, sondern ein Problem der Benutzerpsychologie“ / „你不要这样想,这不是性能问题,是用户心理问题“ sagt Ihnen alles.
Schritt 0: Automatische Aktualisierung
Führen Sie vor allem anderen den automatischen Updater aus, um sicherzustellen, dass Sie die neuesten Skill-Dateien und Datenformate haben:
bash ~/.promptfolio/update-check.sh
- Wenn die Ausgabe
UPDATED v...ist → teilen Sie dem Benutzer mit: „Skills auf v{version} aktualisiert.“ Dann lesen Sie diese SKILL.md-Datei erneut, da sie sich möglicherweise geändert hat, und fahren Sie mit Schritt 1 fort. - Wenn die Ausgabe
UP_TO_DATE v...ist → fahren Sie stillschweigend fort. - Wenn die Ausgabe
OFFLINE v...ist → teilen Sie dem Benutzer mit: „Konnte nicht nach Updates suchen (offline). Arbeite mit lokaler v{version}.“ Fahren Sie normal fort.
Fahren Sie dann normal mit Schritt 1 fort.
Schritt 1: Authentifizierung
Stellen Sie sicher, dass ~/.promptfolio/config.json existiert und ein gültiges Token enthält.
1a. Vorhandenes Token validieren (falls Konfiguration existiert):
if [ -f ~/.promptfolio/config.json ]; then
API_TOKEN=$(python3 -c "import json; print(json.load(open('$HOME/.promptfolio/config.json'))['api_token'])")
API_URL=$(python3 -c "import json; print(json.load(open('$HOME/.promptfolio/config.json')).get('api_url','https://promptfolio.club'))")
HTTP_CODE=$(curl -s -o /dev/null -w "%{http_code}" -H "Authorization: Bearer $API_TOKEN" "$API_URL/api/profile/me" || true)
echo "HTTP_CODE=$HTTP_CODE"
fi
- Wenn HTTP 200, fahren Sie mit Schritt 2 fort.
- Wenn Konfiguration fehlt oder HTTP nicht 200 ist, führen Sie das Geräte-Authentifizierungsskript aus:
1b. Geräte-Autorisierung ausführen:
bash "SKILL_DIR/../scripts/device-auth.sh"
Ersetzen Sie SKILL_DIR durch das Verzeichnis, das diese SKILL.md-Datei enthält. Das Skript erledigt alles: Einen Gerätecode anfordern, den Browser öffnen, bis zur Autorisierung abfragen und ~/.promptfolio/config.json speichern.
WICHTIG: Sie MÜSSEN das Skript so ausführen, wie es ist. Implementieren Sie den Auth-Flow NICHT selbst neu. Konstruieren Sie Auth-URLs NICHT manuell – lassen Sie das Skript alles erledigen.
Wenn das Skript fehlschlägt, teilen Sie dem Benutzer mit, dass die Autorisierung abgelaufen ist, und bitten Sie ihn, es erneut zu versuchen.
Schritt 2: Sitzungen entdecken
Bevor Sie Befehle ausführen, teilen Sie dem Benutzer mit:
Alle Konversationsanalysen finden lokal auf Ihrem Rechner statt. Es werden während der Analyse keine rohen Konversationsinhalte an einen Server gesendet. Nur strukturierte Ergebnisse werden nach Ihrer ausdrücklichen Bestätigung hochgeladen.
2a. Installierte Tools erkennen
Überprüfen Sie vor dem Scannen, welche KI-Codierungstools der Benutzer tatsächlich installiert hat. Suchen Sie nach deren Konfigurations-/Datenverzeichnissen:
| Tool | So erkennen |
|---|---|
| Claude Code | ~/.claude/projects/ existiert |
| Cursor | ~/.cursor/projects/ existiert |
| Codex | ~/.codex/ existiert |
| OpenClaw | ~/.openclaw/ existiert |
| Gemini CLI | ~/.gemini/tmp/ existiert (mit chats/-Unterverzeichnissen) |
| Antigravity | ~/Library/Application Support/Antigravity/ oder ~/.gemini/antigravity/ existiert |
| Windsurf | ~/.codeium/windsurf/, ~/.windsurf/ oder ~/Library/Application Support/Windsurf/ existiert |
| ChatGPT | ~/Desktop/chatgpt_history/ existiert (Benutzer muss Daten manuell exportieren) |
| Trae | ~/.trae/, ~/.trae-cn/ oder App-Support-Trae-Verzeichnisse existieren (Hinweis: Datenbank ist verschlüsselt) |
| OpenCode | ~/.local/share/opencode/opencode.db existiert |
Führen Sie eine Schnellprüfung durch:
echo "=== Erkannte KI-Tools ==="
[ -d ~/.claude/projects ] && echo "claude-code"
[ -d ~/.cursor/projects ] && echo "cursor"
[ -d ~/.codex ] && echo "codex"
[ -d ~/.openclaw ] && echo "openclaw"
[ -d ~/.gemini/tmp ] && echo "gemini-cli"
[ -d "$HOME/Library/Application Support/Antigravity" ] || [ -d ~/.gemini/antigravity ] && echo "antigravity"
[ -d ~/.codeium/windsurf ] || [ -d ~/.windsurf ] || [ -d "$HOME/Library/Application Support/Windsurf" ] && echo "windsurf"
[ -d ~/Desktop/chatgpt_history ] && echo "chatgpt"
[ -d "$HOME/Library/Application Support/Trae CN/ModularData/ai-agent" ] || [ -d "$HOME/Library/Application Support/Trae/ModularData/ai-agent" ] && echo "trae"
[ -f "$HOME/.local/share/opencode/opencode.db" ] && echo "opencode"
Scannen Sie dann nach anderen Codierungsagenten, die nicht in der obigen Liste aufgeführt sind. Suchen Sie nach Punktverzeichnissen in ~/ und App-Verzeichnissen in ~/Library/Application Support/, die wie KI-Codierungstools aussehen (z.B. Kiro, Aider, Continue, Copilot Chat, Trae, Roo Code usw.):
echo "=== Prüfe auf andere Codierungsagenten ==="
ls -d ~/.kiro ~/.aider* ~/.continue ~/.roo* 2>/dev/null || true
ls -d "$HOME/Library/Application Support/Kiro" "$HOME/Library/Application Support/Continue" 2>/dev/null || true
Wenn Sie unbekannte Tool-Verzeichnisse finden, schauen Sie hinein, ob sie Konversationsprotokolle (.jsonl, .json, .txt) enthalten. Wenn ja, nehmen Sie sie auf – fragen Sie den Benutzer nicht.
Präsentieren Sie die Ergebnisse: „Erkannt: Claude Code, Cursor. Auch gefunden: Kiro (hat Sitzungsprotokolle).“
Setzen Sie PF_SOURCES auf die bekannten Tools für das Skript und behandeln Sie unbekannte Tools manuell in 2b.
2b. Sitzungsdateien finden
Führen Sie das Erkennungsskript aus, das nur auf die erkannten Tools abzielt:
export PF_SOURCES="claude-code,cursor" # nur die erkannten aus 2a
SESSION_LIST=$(bash "SKILL_DIR/scripts/discover-sessions.sh")
export SESSION_LIST
Das Skript durchsucht bekannte Speicherorte für jedes Tool und filtert auf die letzten 30 Tage. Nach der Ausführung:
- Überprüfen Sie Tools mit null Sitzungen – wenn ein erkanntes Tool 0 Sitzungen hat, erkunden Sie dessen Datenverzeichnis selbst, um Dateien zu finden, die das Skript übersehen hat.
- Behandeln Sie unbekannte Tools – für alle zusätzlichen Codierungsagenten, die in 2a gefunden wurden, erkunden Sie deren Datenverzeichnisse, finden Sie Konversationsprotokolldateien (.jsonl, .json, .txt) und hängen Sie sie an
$SESSION_LISTan. - Fragen Sie den Benutzer, ob er Sitzungsdaten in nicht standardmäßigen Speicherorten oder von Tools hat, die Sie nicht erkannt haben.
Wenn Sie zusätzliche Sitzungsdateien finden, hängen Sie sie an $SESSION_LIST an.
2c. Statistiken + Aktivitätsdaten berechnen
Führen Sie das Statistik-Skript aus, um Tokenschätzungen zu berechnen und Aktivitäts-Hitzekartendaten in einem Durchlauf zu extrahieren:
python3 "SKILL_DIR/scripts/compute-stats.py"
Dies liest $SESSION_LIST und erzeugt:
- stdout: Sitzungs-/Token-Zusammenfassung pro Quelle
_pf_parts/activity.json: Aktivitätsdaten pro Tag für die Hitzekartenvisualisierung
2d. Zusammenfassung präsentieren und Benutzer fragen
Präsentieren Sie dem Benutzer eine Zusammenfassung:
- Gesamtzahl der gefundenen Sitzungen (letzte 30 Tage), gruppiert nach Quelle
- Aktivitäts-Hitzekarten-Highlights: aktivster Tag, späteste Nacht, längste Sitzung
- Geschätzte Gesamttoken (als „geschätzt“ gekennzeichnet)
Verwenden Sie dann das AskQuestion-Tool, um zu fragen:
- Frage: „Mit der Analyse fortfahren?“
- Optionen:
- „Ja, diese Sitzungen analysieren“ – fahren Sie mit Schritt 3 fort
- „Nein, lass mich anpassen“ – fragen Sie den Benutzer, was geändert werden soll
Schritt 3: Konversationen analysieren
Verschiedene Formate parsen
Claude Code Sitzungen (.jsonl in ~/.claude/projects/):
- Jede Zeile ist ein JSON-Objekt aus dem Konversationstranskript
- Direkt lesen und analysieren
Cursor Sitzungen – Klartext (.txt in ~/.cursor/projects/*/agent-transcripts/):
- Abwechselnd
user:undassistant:Blöcke - Benutzernachrichten sind in
<user_query>...</user_query>Tags eingeschlossen - Assistentennachrichten können
[Thinking]Abschnitte enthalten - Parsen durch Aufteilen an
user:/assistant:Markierungen
Cursor Sitzungen – JSONL (.jsonl in ~/.cursor/projects/*/agent-transcripts/{UUID}/):
- Jede Zeile:
{"role":"user|assistant","message":{"content":[{"type":"text","text":"..."}]}} - Benutzernachrichten enthalten
<user_query>Tags im Textfeld - JSON parsen und Textinhalt extrahieren
Codex Prompt Historie (~/.codex/history.jsonl):
- Jede Zeile sieht typischerweise so aus:
{"session_id":"...","ts":...,"text":"..."} - Behandeln Sie
textals Inhalt der Benutzernachricht - Nach
session_idgruppieren, um Threads zu rekonstruieren
Codex Sitzungsereignisse (~/.codex/sessions/**/*.jsonl):
- Ereignisstrom mit
type+payload - Benutzerstammenden Inhalt extrahieren, wo Rolle/Typ auf Benutzernachrichten hinweist
- Verwenden Sie
history.jsonlals primären Fallback, wenn die Ereignisanalyse mehrdeutig ist
OpenClaw Sitzungen (~/.openclaw/sessions/*.jsonl und ~/.openclaw/agents/**/*.jsonl):
- OpenClaw speichert Sitzungsmetadaten in
~/.openclaw/sessions.jsonund sitzungsbezogene Transkripte als JSONL. - Jede JSONL-Zeile als Ereignis parsen; Einträge extrahieren, bei denen der Sprecher/Rolle/Quelle den Benutzer angibt.
- Wenn mehrere Ereignisformen existieren, bevorzugen Sie expliziten
role == "user"Inhalt, dann Fallback auf benutzermarkierten Ereignis-Payload-Text. - Verwenden Sie
sessions.json, um Sitzungs-IDs dem Projekt-/Arbeitsbereichskontext zuzuordnen, wenn verfügbar.
ChatGPT Export (conversations*.json):
- Datei ist ein Array von Konversationen, jede enthält einen
mappingBaum - Knoten extrahieren, bei denen
message.author.role == "user" - Benutzertext aus
message.content.parts[]holen - Nach
create_timesortieren, wenn die Chronologie rekonstruiert wird
Gemini CLI Sitzungen (.json in ~/.gemini/tmp/*/chats/):
- Jede Datei ist eine vollständige Sitzung:
{"sessionId":"...","messages":[{"type":"user|model","content":[{"text":"..."}],"timestamp":"..."}]} type: "user"= Benutzernachricht,type: "model"= Assistentenantwort- Inhalt ist ein Array von Teilen, jedes mit einem
textFeld - Zeitstempel sind ISO 8601 Zeichenfolgen
- Projektname ist das übergeordnete Verzeichnis unter
tmp/(z.B.~/.gemini/tmp/myproject/chats/)
Trae Sitzungen (VS Code Fork von ByteDance – verschlüsselte DB, erfordert benutzerunterstützten Export):
- Trae speichert KI-Chat in einer verschlüsselten SQLite DB (SQLCipher) unter
~/Library/Application Support/Trae CN/ModularData/ai-agent/database.db– kann nicht direkt gelesen werden - Home-Verzeichnis:
~/.trae-cn/(CN) oder~/.trae/(international) - Das Erkennungsskript prüft auf exportierte Chatdateien unter
~/.trae-cn/chat-export.json,~/.trae/chat-export.json,~/Desktop/trae-chat-export.json,~/Downloads/trae-chat-export.json - Wenn Trae erkannt wird, aber keine Exportdateien gefunden werden (stderr enthält
TRAE_DETECTED_NO_EXPORT), fragen Sie den Benutzer mitAskUserQuestion:- Erklären Sie: „Trae speichert Chat-Verlauf in einer verschlüsselten Datenbank. Um Trae-Daten einzuschließen, können Sie sie aus Trae exportieren.“
- Option 1: „Aus Trae exportieren“ – Teilen Sie dem Benutzer mit, Trae zu öffnen, einen neuen Chat zu starten und diese Nachricht zu senden:
Führen Sie dann das Erkennungsskript erneut aus, nachdem der Benutzer bestätigt hat, dass der Export abgeschlossen ist.Exportiere meinen gesamten Chat-Verlauf als JSON-Datei. Speichere sie unter ~/.trae-cn/chat-export.json (oder ~/.trae/chat-export.json für die internationale Version). Das JSON-Format sollte sein: {"messages": [{"role": "user", "content": "...", "timestamp": "2026-01-01T12:00:00Z"}, {"role": "assistant", "content": "...", "timestamp": "..."}]} Bei mehreren Sitzungen kombiniere alle Nachrichten aus allen Sitzungen in einem flachen Nachrichten-Array, sortiert nach Zeitstempel. - Option 2: „Trae überspringen“ – Ohne Trae-Daten fortfahren.
- Versuchen Sie NICHT, die Datenbank zu entschlüsseln oder mit Brute-Force zu knacken
- Die exportierte JSON-Datei wird, sobald sie erstellt wurde, bei zukünftigen Durchläufen automatisch erkannt
OpenCode Sitzungen (SQLite → extrahiertes JSON):
- Das Erkennungsskript extrahiert Sitzungen aus
~/.local/share/opencode/opencode.dbin temporäre JSON-Dateien - Jede extrahierte Datei:
{"messages":[{"role":"user|assistant","content":"...","timestamp":1234567890}]} - Zeitstempel sind Unix-Epochen-Ganzzahlen (Sekunden)
- Wenn die extrahierten JSON-Dateien fehlen oder leer sind, greifen Sie auf die direkte Abfrage der DB zurück:
sqlite3 ~/.local/share/opencode/opencode.db "SELECT data FROM message WHERE session_id='...' ORDER BY time_created"
Antigravity / Windsurf (experimentelle Quellen):
- Bevorzugen Sie explizite Transkriptdateien (
.jsonl,.json,.txt), wenn vorhanden - Wenn nur
state.vscdb/ Protokolle verfügbar sind, behandeln Sie diese als Nur-Metadaten-Kontext - Wenn lesbarer Konversationsinhalt nicht sicher extrahiert werden kann, fragen Sie den Benutzer stattdessen nach einem Exportpfad
Was zu analysieren ist
Konzentrieren Sie sich auf Benutzernachrichten. Die Antworten des Modells sind nur Hintergrundkontext. Ihr Ziel ist es, Rahmensätze und Instanzen zu finden – Momente, in denen der Benutzer der KI beibringt, wie sie denken soll, und Szenarien, in denen der Benutzer mit der KI zusammenarbeitet, um Probleme durch mehrfache Korrekturen zu lösen.
Scannen Sie für jede Sitzung jede Benutzernachricht auf:
-
Rahmensätze – der Benutzer definiert, wie die Welt funktioniert, und bittet die KI nicht, etwas zu tun:
- Definition des Wesens: „Das eigentliche Problem hier ist...“ / „本质上是……“, „Die Kernlogik ist...“ / „核心逻辑是……“
- Korrektur des KI-Denkens (nicht nur seiner Ausgabe): „Denk nicht so darüber nach“ / „你不要这样想“, „Das ist kein X-Problem, sondern ein Y-Problem“ / „这不是 X 问题,是 Y 问题“
- Grundsätze aufstellen: „Ein gutes X sollte...“ / „好的 X 应该……“, „Nie...“ / „永远不要……“
- Abstraktionen oder Analogien über Bereiche hinweg anstellen
- Ästhetische Urteile äußern: „Das ist hässlich“ / „太丑了“, „Das ist richtig“ / „这才对“, „Das fühlt sich falsch an“ / „感觉不对“
- Widersprüche zwischen verschiedenen Sitzungen aufdecken
-
Instanzen – Fallstudien komplexer mehrfacher Aufgaben, bei denen die Lenkung des Benutzers sein Kaliber offenbart. Denken Sie: Wie würde ein Personalvermittler die Laufbahn dieser Person beschreiben?
- Der Benutzer hat eine komplexe Aufgabe über mehrere Schritte hinweg gesteuert und dabei Architekturentscheidungen und Abwägungen getroffen, die das Ergebnis geprägt haben
- Der Benutzer hat Domänenwissen aus Erfahrung angewendet – API-Besonderheiten, Plattformbeschränkungen, Branchenkonventionen
- Der Geschmack und das Urteilsvermögen des Benutzers haben technisch richtige, aber schlechte Lösungen außer Kraft gesetzt