promptfolio-summarize
당신은 인간 사용자의 초상화를 구축하고 있습니다 — 이 명령을 실행하는 사람이 분석 대상입니다. 그들의 초상화는 promptfolio 플랫폼에 표시됩니다. 프로젝트를 요약하거나, AI 사용 능력을 평가하거나, 성과 리뷰를 작성하는 것이 아닙니다. 당신은 이 사람이 AI에게 사고 방식을 가르치는 순간 — 프레임워크 문장 — 을 찾아내고, 이를 사용하여 그들이 누구인지 그림을 그리는 것입니다.
이를 위해, 최근 30일 동안의 AI 대화 기록(Claude Code, Cursor, Codex, ChatGPT, Gemini CLI, Trae, OpenCode, Antigravity, Windsurf, OpenClaw 및 시스템에서 발견된 기타 코딩 에이전트)을 분석하고, 활동 히트맵과 이 사람의 사고를 드러내는 프레임워크 문장을 추출한 다음, 해당 문장을 중심으로 초상화를 구축하십시오.
기본 원칙: 사용자가 명령을 내리는 곳이 아니라 가르치는 곳을 찾으십시오. "이 버그를 고쳐"는 아무것도 알려주지 않습니다. "그렇게 생각하지 마세요 — 이것은 성능 문제가 아니라 사용자 심리 문제입니다" / "你不要这样想,这不是性能问题,是用户心理问题"는 모든 것을 알려줍니다.
0단계: 자동 업데이트
무엇보다 먼저, 자동 업데이트 프로그램을 실행하여 최신 스킬 파일과 데이터 형식을 확보하십시오:
bash ~/.promptfolio/update-check.sh
- 출력이
UPDATED v...인 경우 → 사용자에게 "스킬이 v{version}으로 업데이트되었습니다." 라고 알립니다. 그런 다음 이 SKILL.md 파일을 다시 읽고(변경되었을 수 있음) 1단계부터 계속 진행합니다. - 출력이
UP_TO_DATE v...인 경우 → 조용히 계속 진행합니다. - 출력이
OFFLINE v...인 경우 → 사용자에게 "업데이트를 확인할 수 없습니다(오프라인). 로컬 v{version}으로 실행합니다." 라고 알립니다. 정상적으로 계속 진행합니다.
그런 다음 1단계부터 정상적으로 계속 진행합니다.
1단계: 인증
~/.promptfolio/config.json이 존재하고 유효한 토큰이 있는지 확인합니다.
1a. 기존 토큰 검증(config가 존재하는 경우):
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=$HTTP_CODE"
fi
- HTTP 200이면 2단계로 진행합니다.
- config가 없거나 HTTP가 200이 아닌 경우, 기기 인증 스크립트를 실행합니다:
1b. 기기 인증 실행:
bash "SKILL_DIR/../scripts/device-auth.sh"
SKILL_DIR을 이 SKILL.md 파일이 포함된 디렉토리로 바꾸십시오. 스크립트가 모든 것을 처리합니다: 기기 코드 요청, 브라우저 열기, 인증될 때까지 폴링, ~/.promptfolio/config.json 저장.
중요: 스크립트를 있는 그대로 실행해야 합니다. 인증 흐름을 직접 다시 구현하지 마십시오. 인증 URL을 수동으로 구성하지 마십시오 — 스크립트가 모든 것을 처리하도록 하십시오.
스크립트가 실패하면 사용자에게 인증 시간이 초과되었으며 다시 시도하라고 알립니다.
2단계: 세션 발견
명령을 실행하기 전에 사용자에게 알리십시오:
모든 대화 분석은 사용자 기기에서 로컬로 이루어집니다. 분석 중에 원시 대화 내용이 서버로 전송되지 않습니다. 사용자가 명시적으로 확인한 후에만 구조화된 결과가 업로드됩니다.
2a. 설치된 도구 감지
스캔하기 전에 사용자가 실제로 설치한 AI 코딩 도구를 확인하십시오. 해당 구성/데이터 디렉토리를 찾으십시오:
| 도구 | 감지 방법 |
|---|---|
| Claude Code | ~/.claude/projects/ 존재 |
| Cursor | ~/.cursor/projects/ 존재 |
| Codex | ~/.codex/ 존재 |
| OpenClaw | ~/.openclaw/ 존재 |
| Gemini CLI | ~/.gemini/tmp/ 존재(chats/ 하위 디렉토리 포함) |
| Antigravity | ~/Library/Application Support/Antigravity/ 또는 ~/.gemini/antigravity/ 존재 |
| Windsurf | ~/.codeium/windsurf/, ~/.windsurf/, 또는 ~/Library/Application Support/Windsurf/ 존재 |
| ChatGPT | ~/Desktop/chatgpt_history/ 존재(사용자가 수동으로 데이터를 내보내야 함) |
| Trae | ~/.trae/, ~/.trae-cn/, 또는 App Support Trae 디렉토리 존재(DB는 암호화되어 있음) |
| OpenCode | ~/.local/share/opencode/opencode.db 존재 |
빠른 확인 실행:
echo "=== 감지된 AI 도구 ==="
[ -d ~/.claude/projects ] && echo "claude-code"
[ -d ~/.cursor/projects ] && echo "cursor"
[ -d ~/.codex ] && echo "codex"
[ -d ~/.openclaw ] && echo "openclaw"
[ -d ~/.gemini/tmp ] && echo "gemini-cli"
[ -d "$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"
그런 다음 위 목록에 없는 다른 코딩 에이전트를 스캔합니다. ~/의 점 디렉토리와 ~/Library/Application Support/의 앱 디렉토리 중 AI 코딩 도구(예: Kiro, Aider, Continue, Copilot Chat, Trae, Roo Code 등)로 보이는 것들을 찾으십시오:
echo "=== 다른 코딩 에이전트 확인 ==="
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
알 수 없는 도구 디렉토리를 찾으면 내부를 들여다보고 대화 로그(.jsonl, .json, .txt)가 포함되어 있는지 확인합니다. 포함되어 있으면 추가하십시오 — 사용자에게 물을 필요가 없습니다.
결과를 표시합니다: "감지됨: Claude Code, Cursor. 또한 발견됨: Kiro(세션 로그 있음)."
PF_SOURCES를 스크립트의 알려진 도구로 설정하고 알 수 없는 도구는 2b에서 수동으로 처리합니다.
2b. 세션 파일 찾기
발견된 도구만 대상으로 하는 발견 스크립트를 실행합니다:
export PF_SOURCES="claude-code,cursor" # 2a에서 감지된 것만
SESSION_LIST=$(bash "SKILL_DIR/scripts/discover-sessions.sh")
export SESSION_LIST
스크립트는 각 도구의 알려진 위치를 스캔하고 최근 30일로 필터링합니다. 실행 후:
- 세션 0개 도구 확인 — 감지된 도구에 세션이 0개이면 스크립트가 놓친 파일을 찾기 위해 직접 데이터 디렉토리를 탐색합니다.
- 알 수 없는 도구 처리 — 2a에서 발견된 추가 코딩 에이전트의 데이터 디렉토리를 탐색하고 대화 로그 파일(.jsonl, .json, .txt)을 찾아
$SESSION_LIST에 추가합니다. - 사용자에게 물어보십시오 — 비표준 위치나 감지되지 않은 도구의 세션 데이터가 있는지.
추가 세션 파일을 찾으면 $SESSION_LIST에 추가합니다.
2c. 통계 + 활동 데이터 계산
통계 스크립트를 실행하여 한 번의 패스로 토큰 추정치를 계산하고 활동 히트맵 데이터를 추출합니다:
python3 "SKILL_DIR/scripts/compute-stats.py"
이 스크립트는 $SESSION_LIST를 읽고 다음을 생성합니다:
- stdout: 소스별 세션/토큰 요약
_pf_parts/activity.json: 히트맵 시각화를 위한 일별 활동 데이터
2d. 요약 표시 및 사용자에게 질문
사용자에게 요약을 표시합니다:
- 발견된 총 세션 수(최근 30일), 소스별로 그룹화
- 활동 히트맵 하이라이트: 가장 활동적인 날, 가장 늦은 시간, 가장 긴 세션
- 예상 총 토큰 수("추정치"로 표시)
그런 다음 AskQuestion 도구를 사용하여 질문합니다:
- 질문: "분석을 진행하시겠습니까?"
- 옵션:
- "예, 이 세션들을 분석하세요" — 3단계로 진행
- "아니요, 조정하겠습니다" — 사용자에게 무엇을 변경할지 물어봅니다
3단계: 대화 분석
다양한 형식 구문 분석
Claude Code 세션(~/.claude/projects/의 .jsonl):
- 각 줄은 대화 기록의 JSON 객체입니다
- 직접 읽고 분석합니다
Cursor 세션 — 일반 텍스트(~/.cursor/projects/*/agent-transcripts/의 .txt):
user:와assistant:블록이 번갈아 나타납니다- 사용자 메시지는
<user_query>...</user_query>태그로 둘러싸여 있습니다 - 어시스턴트 메시지에는
[Thinking]섹션이 포함될 수 있습니다 user:/assistant:마커로 분할하여 구문 분석합니다
Cursor 세션 — JSONL(~/.cursor/projects/*/agent-transcripts/{UUID}/의 .jsonl):
- 각 줄:
{"role":"user|assistant","message":{"content":[{"type":"text","text":"..."}]}} - 사용자 메시지에는 텍스트 필드에
<user_query>태그가 포함되어 있습니다 - JSON을 구문 분석하고 텍스트 내용을 추출합니다
Codex 프롬프트 기록(~/.codex/history.jsonl):
- 각 줄은 일반적으로
{"session_id":"...","ts":...,"text":"..."}형식입니다 text를 사용자 메시지 내용으로 처리합니다session_id로 그룹화하여 스레드를 재구성합니다
Codex 세션 이벤트(~/.codex/sessions/**/*.jsonl):
type+payload가 있는 이벤트 스트림- 역할/유형이 사용자 메시지를 나타내는 곳에서 사용자 기원 콘텐츠를 추출합니다
- 이벤트 구문 분석이 모호한 경우 기본 대체 수단으로
history.jsonl을 사용합니다
OpenClaw 세션(~/.openclaw/sessions/*.jsonl 및 ~/.openclaw/agents/**/*.jsonl):
- OpenClaw는
~/.openclaw/sessions.json에 세션 메타데이터를 저장하고 세션별 기록을 JSONL로 저장합니다 - 각 JSONL 줄을 이벤트로 구문 분석합니다. 화자/역할/소스가 사용자를 나타내는 항목을 추출합니다
- 여러 이벤트 형태가 있는 경우 명시적인
role == "user"콘텐츠를 선호하고, 그 다음으로 사용자 태그 이벤트 페이로드 텍스트를 대체합니다 - 사용 가능한 경우
sessions.json을 사용하여 세션 ID를 프로젝트/작업 공간 컨텍스트에 매핑합니다
ChatGPT 내보내기(conversations*.json):
- 파일은 대화 배열이며, 각 대화에는
mapping트리가 포함되어 있습니다 message.author.role == "user"인 노드를 추출합니다message.content.parts[]에서 사용자 텍스트를 가져옵니다- 연대기를 재구성할 때
create_time으로 정렬합니다
Gemini CLI 세션(~/.gemini/tmp/*/chats/의 .json):
- 각 파일은 전체 세션입니다:
{"sessionId":"...","messages":[{"type":"user|model","content":[{"text":"..."}],"timestamp":"..."}]} type: "user"= 사용자 메시지,type: "model"= 어시스턴트 응답- 콘텐츠는 각각
text필드가 있는 부분의 배열입니다 - 타임스탬프는 ISO 8601 문자열입니다
- 프로젝트 이름은
tmp/아래의 상위 디렉토리입니다(예:~/.gemini/tmp/myproject/chats/)
Trae 세션(ByteDance의 VS Code 포크 — 암호화된 DB, 사용자 지원 내보내기 필요):
- Trae는 AI 채팅을 암호화된 SQLite DB(SQLCipher)에 저장합니다(
~/Library/Application Support/Trae CN/ModularData/ai-agent/database.db) — 직접 읽을 수 없음 - 홈 디렉토리:
~/.trae-cn/(중국) 또는~/.trae/(국제) - 발견 스크립트는
~/.trae-cn/chat-export.json,~/.trae/chat-export.json,~/Desktop/trae-chat-export.json,~/Downloads/trae-chat-export.json에서 내보낸 채팅 파일을 확인합니다 - Trae가 감지되었지만 내보내기 파일이 없는 경우(stderr에
TRAE_DETECTED_NO_EXPORT포함),AskUserQuestion으로 사용자에게 물어봅니다:- 설명: "Trae는 채팅 기록을 암호화된 데이터베이스에 저장합니다. Trae 데이터를 포함하려면 Trae 내에서 내보낼 수 있습니다."
- 옵션 1: "Trae에서 내보내기" — 사용자에게 Trae를 열고 새 채팅을 시작한 후 다음 메시지를 보내도록 알립니다:
그런 다음 사용자가 내보내기가 완료되었다고 확인하면 발견 스크립트를 다시 실행합니다.모든 채팅 기록을 JSON 파일로 내보내 주세요. ~/.trae-cn/chat-export.json(또는 국제 버전의 경우 ~/.trae/chat-export.json)에 저장해 주세요. JSON 형식은 다음과 같아야 합니다: {"messages": [{"role": "user", "content": "...", "timestamp": "2026-01-01T12:00:00Z"}, {"role": "assistant", "content": "...", "timestamp": "..."}]} 여러 세션이 있는 경우 모든 세션의 모든 메시지를 타임스탬프 순서로 정렬된 하나의 평면 메시지 배열로 결합해 주세요. - 옵션 2: "Trae 건너뛰기" — Trae 데이터 없이 계속 진행합니다.
- 데이터베이스를 해독하거나 무차별 대입하려고 시도하지 마십시오
- 내보낸 JSON 파일은 생성되면 이후 실행 시 자동으로 선택됩니다
OpenCode 세션(SQLite → 추출된 JSON):
- 발견 스크립트는
~/.local/share/opencode/opencode.db에서 세션을 임시 JSON 파일로 추출합니다 - 각 추출된 파일:
{"messages":[{"role":"user|assistant","content":"...","timestamp":1234567890}]} - 타임스탬프는 Unix epoch 정수(초)입니다
- 추출된 JSON 파일이 없거나 비어 있으면 DB를 직접 쿼리하는 것으로 대체합니다:
sqlite3 ~/.local/share/opencode/opencode.db "SELECT data FROM message WHERE session_id='...' ORDER BY time_created"
Antigravity / Windsurf(실험적 소스):
- 명시적 기록 파일(.jsonl, .json, .txt)이 있는 경우 이를 선호합니다
state.vscdb/ 로그만 사용 가능한 경우 메타데이터 전용 컨텍스트로 처리합니다- 읽을 수 있는 대화 내용을 안전하게 추출할 수 없으면 추측 대신 사용자에게 내보내기 경로를 요청합니다
분석할 내용
사용자 메시지에 집중하십시오. 모델의 응답은 배경 컨텍스트일 뿐입니다. 당신의 목표는 프레임워크 문장과 인스턴스를 찾는 것입니다 — 사용자가 AI에게 사고 방식을 가르치는 순간, 그리고 사용자가 다중 턴 수정을 통해 AI와 협력하여 문제를 해결하는 시나리오입니다.
각 세션에 대해 모든 사용자 메시지를 다음 항목으로 스캔합니다:
-
프레임워크 문장 — 사용자가 AI에게 무언가를 하도록 요청하는 것이 아니라 세상이 어떻게 돌아가는지 정의하고 있는 경우:
- 본질 정의: "진짜 문제는..." / "本质上是……", "핵심 로직은..." / "核心逻辑是……"
- AI의 사고(출력뿐만 아니라) 수정: "그렇게 생각하지 마세요" / "你不要这样想", "이것은 X 문제가 아니라 Y 문제입니다" / "这不是 X 问题,是 Y 问题"
- 원칙 수립: "좋은 X는..." / "好的 X 应该……", "절대..." / "永远不要……"
- 도메인 간 추상화 또는 유추 만들기
- 미적 판단 표현: "이건 못생겼어" / "太丑了", "이제야 맞다" / "这才对", "이상해" / "感觉不对"
- 다른 세션 간의 모순 드러내기
-
인스턴스 — 사용자의 조종이 그들의 능력을 드러내는 복잡한 다중 턴 작업의 사례 연구입니다. 헤드헌터가 이 사람의 경력을 어떻게 설명할지 생각해 보십시오:
- 사용자가 여러 턴에 걸쳐 복잡한 작업을 주도하고, 결과를 형성하는 아키텍처 결정과 트레이드오프 결정을 내렸습니다
- 사용자가 실제 경험에서 얻은 도메인 전문 지식(API 특성, 플랫폼 제약, 업계 관례)을 적용했습니다
- 사용자의 취향과 판단이 기술적으로는 정확하지만 미학적으로 모호한 경우를 대체했습니다