Que fait promptfolio-summarize ?
Vous construisez un portrait de l'utilisateur humain — la personne qui exécute cette commande est le sujet analysé. Leur portrait sera affiché sur la plateforme promptfolio. Vous ne résumez pas des projets, vous n'évaluez pas des compétences d'utilisation de l'IA, vous n'écrivez pas un bilan de performance. Vous cherchez les moments où cette personne enseigne à l'IA comment penser — leurs phrases-cadres — et vous les utilisez pour brosser un tableau de qui ils sont.
Pour ce faire, analysez leur historique de conversations IA (Claude Code, Cursor, Codex, ChatGPT, Gemini CLI, Trae, OpenCode, Antigravity, Windsurf, OpenClaw et tout autre agent de codage trouvé sur le système) des 30 derniers jours, extrayez une carte thermique d'activité et des phrases-cadres qui révèlent la pensée de cette personne, puis construisez un portrait autour de ces phrases.
Principe fondamental : trouvez où l'utilisateur ENSEIGNE, pas où il COMMANDE. « Corrige ce bug » ne vous apprend rien. « Ne pense pas à ça de cette façon — ce n'est pas un problème de performance, c'est un problème de psychologie utilisateur » / « 你不要这样想,这不是性能问题,是用户心理问题 » vous apprend tout.
Étape 0 : Mise à jour automatique
Avant toute chose, exécutez l'auto-updater pour vous assurer d'avoir les derniers fichiers de compétences et formats de données :
bash ~/.promptfolio/update-check.sh
- Si la sortie est
UPDATED v...→ dites à l'utilisateur : « Compétences mises à jour vers la v{version}. » Puis relisez ce fichier SKILL.md car il a peut-être changé, et continuez à partir de l'Étape 1. - Si la sortie est
UP_TO_DATE v...→ continuez silencieusement. - Si la sortie est
OFFLINE v...→ dites à l'utilisateur : « Impossible de vérifier les mises à jour (hors ligne). Exécution avec la v{version} locale. » Continuez normalement.
Puis continuez avec l'Étape 1 normalement.
Étape 1 : Authentification
Assurez-vous que ~/.promptfolio/config.json existe et contient un jeton valide.
1a. Valider le jeton existant (si le fichier config existe) :
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
- Si HTTP 200, passez à l'Étape 2.
- Si le fichier config est manquant ou HTTP n'est pas 200, exécutez le script d'authentification de l'appareil :
1b. Exécuter l'autorisation de l'appareil :
bash "SKILL_DIR/../scripts/device-auth.sh"
Remplacez SKILL_DIR par le répertoire contenant ce fichier SKILL.md. Le script gère tout : demande d'un code d'appareil, ouverture du navigateur, vérification jusqu'à autorisation, et sauvegarde de ~/.promptfolio/config.json.
IMPORTANT : Vous DEVEZ exécuter le script tel quel. Ne réimplémentez PAS le flux d'authentification vous-même. Ne construisez PAS d'URLs d'authentification manuellement — laissez le script tout gérer.
Si le script échoue, dites à l'utilisateur que l'autorisation a expiré et qu'il doit réessayer.
Étape 2 : Découvrir les sessions
Avant d'exécuter des commandes, dites à l'utilisateur :
Toute l'analyse des conversations se fait localement sur votre machine. Aucun contenu brut de conversation n'est envoyé à un serveur pendant l'analyse. Seuls les résultats structurés sont téléchargés après votre confirmation explicite.
2a. Détecter les outils installés
Avant de scanner, vérifiez quels outils de codage IA l'utilisateur a réellement installés. Cherchez leurs répertoires de configuration/données :
| Outil | Comment détecter |
|---|---|
| Claude Code | ~/.claude/projects/ existe |
| Cursor | ~/.cursor/projects/ existe |
| Codex | ~/.codex/ existe |
| OpenClaw | ~/.openclaw/ existe |
| Gemini CLI | ~/.gemini/tmp/ existe (avec des sous-répertoires chats/) |
| Antigravity | ~/Library/Application Support/Antigravity/ ou ~/.gemini/antigravity/ existe |
| Windsurf | ~/.codeium/windsurf/, ~/.windsurf/, ou ~/Library/Application Support/Windsurf/ existe |
| ChatGPT | ~/Desktop/chatgpt_history/ existe (l'utilisateur doit exporter les données manuellement) |
| Trae | ~/.trae/, ~/.trae-cn/, ou les répertoires App Support Trae existent (NB : la base de données est chiffrée) |
| OpenCode | ~/.local/share/opencode/opencode.db existe |
Exécutez une vérification rapide :
echo "=== Outils IA détectés ==="
[ -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"
Ensuite, recherchez d'autres agents de codage ne figurant pas dans la liste ci-dessus. Cherchez les répertoires en point dans ~/ et les répertoires d'application dans ~/Library/Application Support/ qui ressemblent à des outils de codage IA (par exemple Kiro, Aider, Continue, Copilot Chat, Trae, Roo Code, etc.) :
echo "=== Vérification d'autres agents de codage ==="
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
Si vous trouvez des répertoires d'outils inconnus, regardez à l'intérieur pour voir s'ils contiennent des journaux de conversation (.jsonl, .json, .txt). Si c'est le cas, incluez-les — pas besoin de demander à l'utilisateur.
Présentez les résultats : « Détecté : Claude Code, Cursor. Aussi trouvé : Kiro (a des journaux de session). »
Définissez PF_SOURCES aux outils connus pour le script, et gérez les outils inconnus manuellement dans 2b.
2b. Trouver les fichiers de session
Exécutez le script de découverte, en ciblant uniquement les outils détectés :
export PF_SOURCES="claude-code,cursor" # seulement ceux détectés dans 2a
SESSION_LIST=$(bash "SKILL_DIR/scripts/discover-sessions.sh")
export SESSION_LIST
Le script scanne les emplacements connus pour chaque outil et filtre les 30 derniers jours. Après l'avoir exécuté :
- Vérifiez les outils à zéro session — si un outil détecté a 0 session, explorez vous-même son répertoire de données pour trouver des fichiers que le script aurait pu manquer.
- Gérez les outils inconnus — pour tout agent de codage supplémentaire découvert dans 2a, explorez leurs répertoires de données, trouvez les fichiers journaux de conversation (.jsonl, .json, .txt) et ajoutez-les à
$SESSION_LIST. - Demandez à l'utilisateur s'il a des données de session dans des emplacements non standards ou provenant d'outils que vous n'avez pas détectés.
Si vous trouvez des fichiers de session supplémentaires, ajoutez-les à $SESSION_LIST.
2c. Calculer les statistiques + données d'activité
Exécutez le script de statistiques pour estimer les tokens et extraire les données de carte thermique d'activité en un seul passage :
python3 "SKILL_DIR/scripts/compute-stats.py"
Ce script lit $SESSION_LIST et produit :
- stdout : résumé session/token par source
_pf_parts/activity.json: données d'activité par jour pour la visualisation de la carte thermique
2d. Présenter le résumé et demander à l'utilisateur
Présentez un résumé à l'utilisateur :
- Nombre total de sessions trouvées (30 derniers jours), regroupées par source
- Points forts de la carte thermique d'activité : jour le plus actif, nuit la plus tardive, session la plus longue
- Estimation du nombre total de tokens (indiqué comme « estimé »)
Utilisez ensuite l'outil AskQuestion pour demander :
- Question : « Procéder à l'analyse ? »
- Options :
- « Oui, analyser ces sessions » — passez à l'Étape 3
- « Non, laissez-moi ajuster » — demandez à l'utilisateur ce qu'il veut changer
Étape 3 : Analyser les conversations
Analyser les différents formats
Sessions Claude Code (.jsonl dans ~/.claude/projects/) :
- Chaque ligne est un objet JSON du transcript de la conversation
- Lisez et analysez directement
Sessions Cursor — Texte brut (.txt dans ~/.cursor/projects/*/agent-transcripts/) :
- Blocs alternés
user:etassistant: - Les messages utilisateur sont entourés de balises
<user_query>...</user_query> - Les messages assistant peuvent inclure des sections
[Thinking] - Analysez en divisant sur les marqueurs
user:/assistant:
Sessions Cursor — JSONL (.jsonl dans ~/.cursor/projects/*/agent-transcripts/{UUID}/) :
- Chaque ligne :
{"role":"user|assistant","message":{"content":[{"type":"text","text":"..."}]}} - Les messages utilisateur contiennent des balises
<user_query>dans le champ text - Analysez le JSON et extrayez le contenu textuel
Historique des prompts Codex (~/.codex/history.jsonl) :
- Chaque ligne ressemble généralement à :
{"session_id":"...","ts":...,"text":"..."} - Traitez
textcomme le contenu du message utilisateur - Regroupez par
session_idpour reconstruire les fils de discussion
Événements de session Codex (~/.codex/sessions/**/*.jsonl) :
- Flux d'événements avec
type+payload - Extrayez le contenu d'origine utilisateur où le rôle/type indique des messages utilisateur
- Utilisez
history.jsonlcomme solution de repli principal si l'analyse des événements est ambiguë
Sessions OpenClaw (~/.openclaw/sessions/*.jsonl et ~/.openclaw/agents/**/*.jsonl) :
- OpenClaw stocke les métadonnées de session dans
~/.openclaw/sessions.jsonet les transcripts par session sous forme de JSONL. - Analysez chaque ligne JSONL comme un événement ; extrayez les entrées où l'intervenant/rôle/source indique l'utilisateur.
- Si plusieurs formes d'événement existent, privilégiez le contenu explicite
role == "user", puis utilisez le texte de l'événement balisé utilisateur comme solution de repli. - Utilisez
sessions.jsonpour mapper les IDs de session au contexte projet/espace de travail lorsque disponible.
Export ChatGPT (conversations*.json) :
- Le fichier est un tableau de conversations, chacune contenant une arborescence
mapping - Extrayez les nœuds où
message.author.role == "user" - Obtenez le texte utilisateur depuis
message.content.parts[] - Triez par
create_timelors de la reconstruction de la chronologie
Sessions Gemini CLI (.json dans ~/.gemini/tmp/*/chats/) :
- Chaque fichier est une session complète :
{"sessionId":"...","messages":[{"type":"user|model","content":[{"text":"..."}],"timestamp":"..."}]} type: "user"= message utilisateur,type: "model"= réponse de l'assistant- Le contenu est un tableau de parties, chacune avec un champ
text - Les timestamps sont des chaînes ISO 8601
- Le nom du projet est le répertoire parent sous
tmp/(par ex.~/.gemini/tmp/myproject/chats/)
Sessions Trae (fork VS Code par ByteDance — base de données chiffrée, nécessite export assisté par l'utilisateur) :
- Trae stocke les chats IA dans une base de données SQLite chiffrée (SQLCipher) à
~/Library/Application Support/Trae CN/ModularData/ai-agent/database.db— ne peut pas être lue directement - Répertoire personnel :
~/.trae-cn/(CN) ou~/.trae/(international) - Le script de découverte vérifie la présence de fichiers de chat exportés à
~/.trae-cn/chat-export.json,~/.trae/chat-export.json,~/Desktop/trae-chat-export.json,~/Downloads/trae-chat-export.json - Si Trae est détecté mais qu'aucun fichier d'export n'est trouvé (stderr contient
TRAE_DETECTED_NO_EXPORT), demandez à l'utilisateur avecAskUserQuestion:- Expliquez : « Trae stocke l'historique des chats dans une base de données chiffrée. Pour inclure les données Trae, vous pouvez les exporter depuis Trae. »
- Option 1 : « Exporter depuis Trae » — Dites à l'utilisateur d'ouvrir Trae, de démarrer un nouveau chat et d'envoyer ce message :
Puis réexécutez le script de découverte après que l'utilisateur a confirmé que l'export est terminé.Exporte tout mon historique de chat sous forme de fichier JSON. Enregistre-le dans ~/.trae-cn/chat-export.json (ou ~/.trae/chat-export.json pour la version internationale). Le format JSON doit être : {"messages": [{"role": "user", "content": "...", "timestamp": "2026-01-01T12:00:00Z"}, {"role": "assistant", "content": "...", "timestamp": "..."}]} S'il y a plusieurs sessions, combine tous les messages de toutes les sessions en un seul tableau plat de messages, ordonnés par timestamp. - Option 2 : « Ignorer Trae » — Continuez sans les données Trae.
- N'essayez PAS de déchiffrer ou de forcer la base de données
- Le fichier JSON exporté, une fois créé, sera automatiquement détecté lors des exécutions futures
Sessions OpenCode (SQLite → JSON extrait) :
- Le script de découverte extrait les sessions de
~/.local/share/opencode/opencode.dbdans des fichiers JSON temporaires - Chaque fichier extrait :
{"messages":[{"role":"user|assistant","content":"...","timestamp":1234567890}]} - Les timestamps sont des entiers Unix epoch (secondes)
- Si les fichiers JSON extraits sont manquants ou vides, utilisez en repli une requête directe sur la base de données :
sqlite3 ~/.local/share/opencode/opencode.db "SELECT data FROM message WHERE session_id='...' ORDER BY time_created"
Antigravity / Windsurf (sources expérimentales) :
- Préférez les fichiers de transcript explicites (
.jsonl,.json,.txt) lorsqu'ils sont présents - Si seuls
state.vscdb/ les logs sont disponibles, traitez-les comme un contexte de métadonnées uniquement - Si le contenu lisible de la conversation ne peut pas être extrait en toute sécurité, demandez à l'utilisateur un chemin d'export plutôt que de deviner
Ce qu'il faut analyser
Concentrez-vous sur les messages utilisateur. Les réponses du modèle ne sont qu'un contexte de fond. Votre objectif est de trouver des phrases-cadres et des instances — des moments où l'utilisateur enseigne à l'IA comment penser, et des scénarios où l'utilisateur collabore avec l'IA pour résoudre des problèmes grâce à des corrections multi-tours.
Pour chaque session, analysez chaque message utilisateur à la recherche de :
-
Phrases-cadres — l'utilisateur définit comment le monde fonctionne, ne demande pas à l'IA de faire quelque chose :
- Définition de l'essence : « Le vrai problème ici est… » / « 本质上是…… », « La logique centrale est… » / « 核心逻辑是…… »
- Correction de la pensée de l'IA (pas seulement sa sortie) : « Ne pense pas à ça de cette façon » / « 你不要这样想 », « Ce n'est pas un problème de X, c'est un problème de Y » / « 这不是 X 问题,是 Y 问题 »
- Établissement de principes : « Un bon X devrait… » / « 好的 X 应该…… », « Ne jamais… » / « 永远不要…… »
- Création d'abstractions ou d'analogies entre domaines
- Expression de jugements esthétiques : « C'est moche » / « 太丑了 », « Là c'est correct » / « 这才对 », « Ce n'est pas bon » / « 感觉不对 »
- Révélation de contradictions entre différentes sessions
-
Instances — études de cas de tâches complexes multi-tours où le pilotage de l'utilisateur révèle son calibre. Pensez : comment un chasseur de têtes décrirait-il le parcours de cette personne ?
- L'utilisateur a dirigé une tâche complexe sur plusieurs tours, en prenant des décisions architecturales et des compromis qui ont façonné le résultat
- L'utilisateur a appliqué une expertise du domaine tirée de son expérience vécue — particularités des API, contraintes de plateforme, conventions industrielles
- Le goût et le jugement de l'utilisateur ont prévalu sur des réponses techniquement correctes
...
[fin partiel — contenu tronqué pour la traduction]