promptfolio-summarize
Você está construindo um retrato do usuário humano — a pessoa executando este comando é o sujeito sendo analisado. O retrato será exibido na plataforma promptfolio. Você não está resumindo projetos, não está avaliando habilidades de uso de IA, não está escrevendo uma avaliação de desempenho. Você está encontrando os momentos em que essa pessoa ensina a IA a pensar — suas frases de estrutura — e usando-os para pintar um quadro de quem ela é.
Para fazer isso, analise o histórico de conversas com IA (Claude Code, Cursor, Codex, ChatGPT, Gemini CLI, Trae, OpenCode, Antigravity, Windsurf, OpenClaw e quaisquer outros agentes de codificação encontrados no sistema) dos últimos 30 dias, extraia um mapa de calor de atividade e frases de estrutura que revelam o pensamento dessa pessoa, e então construa um retorno em torno dessas frases.
Princípio fundamental: encontre onde o usuário está ENSINANDO, não onde ele está COMANDANDO. "Corrige este bug" não diz nada. "Não pense dessa forma — isso não é um problema de desempenho, é um problema de psicologia do usuário" / "你不要这样想,这不是性能问题,是用户心理问题" diz tudo.
Etapa 0: Auto-Atualização
Antes de qualquer outra coisa, execute o auto-atualizador para garantir que você tenha os arquivos de skill e formatos de dados mais recentes:
bash ~/.promptfolio/update-check.sh
- Se a saída for
UPDATED v...→ informe ao usuário: "Skills atualizadas para v{versão}." Em seguida, releia este arquivo SKILL.md pois ele pode ter mudado, e continue a partir da Etapa 1. - Se a saída for
UP_TO_DATE v...→ continue silenciosamente. - Se a saída for
OFFLINE v...→ informe ao usuário: "Não foi possível verificar atualizações (offline). Executando com a versão local v{versão}." Continue normalmente.
Em seguida, continue com a Etapa 1 normalmente.
Etapa 1: Autenticação
Garanta que ~/.promptfolio/config.json exista e tenha um token válido.
1a. Validar token existente (se config existir):
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
- Se HTTP 200, prossiga para a Etapa 2.
- Se o config estiver ausente ou HTTP não for 200, execute o script de autorização do dispositivo:
1b. Executar autorização do dispositivo:
bash "SKILL_DIR/../scripts/device-auth.sh"
Substitua SKILL_DIR pelo diretório que contém este arquivo SKILL.md. O script cuida de tudo: solicitar um código de dispositivo, abrir o navegador, aguardar até a autorização e salvar ~/.promptfolio/config.json.
IMPORTANTE: Você DEVE executar o script como está. NÃO reimplemente o fluxo de autorização você mesmo. NÃO construa URLs de autorização manualmente — deixe o script cuidar de tudo.
Se o script falhar, informe ao usuário que a autorização expirou e peça para tentar novamente.
Etapa 2: Descobrir Sessões
Antes de executar qualquer comando, informe ao usuário:
Toda a análise de conversas acontece localmente na sua máquina. Nenhum conteúdo bruto de conversa é enviado para qualquer servidor durante a análise. Apenas resultados estruturados são enviados após sua confirmação explícita.
2a. Detectar ferramentas instaladas
Antes de escanear, verifique quais ferramentas de codificação de IA o usuário realmente possui instaladas. Procure por seus diretórios de configuração/dados:
| Ferramenta | Como detectar |
|---|---|
| Claude Code | ~/.claude/projects/ existe |
| Cursor | ~/.cursor/projects/ existe |
| Codex | ~/.codex/ existe |
| OpenClaw | ~/.openclaw/ existe |
| Gemini CLI | ~/.gemini/tmp/ existe (com subdiretórios 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 (o usuário deve exportar os dados manualmente) |
| Trae | ~/.trae/, ~/.trae-cn/, ou diretórios App Support Trae existem (nota: o DB é criptografado) |
| OpenCode | ~/.local/share/opencode/opencode.db existe |
Execute uma verificação rápida:
echo "=== Ferramentas de IA detectadas ==="
[ -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"
Em seguida, escaneie outros agentes de codificação que não estão na lista acima. Procure por diretórios com ponto em ~/ e diretórios de aplicativos em ~/Library/Application Support/ que pareçam ferramentas de codificação de IA (ex.: Kiro, Aider, Continue, Copilot Chat, Trae, Roo Code, etc.):
echo "=== Verificando outros agentes de codificação ==="
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
Se você encontrar diretórios de ferramentas desconhecidas, dê uma olhada para ver se contêm logs de conversa (.jsonl, .json, .txt). Se contiverem, inclua-os — não há necessidade de perguntar ao usuário.
Apresente os resultados: "Detectado: Claude Code, Cursor. Também encontrado: Kiro (possui logs de sessão)."
Defina PF_SOURCES como as ferramentas conhecidas para o script, e lide com ferramentas desconhecidas manualmente na 2b.
2b. Encontrar arquivos de sessão
Execute o script de descoberta, direcionando apenas as ferramentas detectadas:
export PF_SOURCES="claude-code,cursor" # apenas as detectadas na 2a
SESSION_LIST=$(bash "SKILL_DIR/scripts/discover-sessions.sh")
export SESSION_LIST
O script escaneia locais conhecidos para cada ferramenta e filtra pelos últimos 30 dias. Após executá-lo:
- Verifique ferramentas com zero sessões — se uma ferramenta detectada tem 0 sessões, explore seu diretório de dados você mesmo para encontrar arquivos que o script pode ter perdido.
- Lide com ferramentas desconhecidas — para quaisquer agentes de codificação extras descobertos na 2a, explore seus diretórios de dados, encontre arquivos de log de conversa (.jsonl, .json, .txt) e anexe-os a
$SESSION_LIST. - Pergunte ao usuário se ele tem dados de sessão em locais não padrão ou de ferramentas que você não detectou.
Se você encontrar arquivos de sessão adicionais, anexe-os a $SESSION_LIST.
2c. Calcular estatísticas + dados de atividade
Execute o script de estatísticas para calcular estimativas de token e extrair dados de mapa de calor de atividade em uma única passagem:
python3 "SKILL_DIR/scripts/compute-stats.py"
Isso lê $SESSION_LIST e produz:
- stdout: resumo de sessão/token por fonte
_pf_parts/activity.json: dados de atividade por dia para a visualização do mapa de calor
2d. Apresentar resumo e perguntar ao usuário
Apresente um resumo ao usuário:
- Total de sessões encontradas (últimos 30 dias), agrupadas por fonte
- Destaques do mapa de calor de atividade: dia mais ativo, noite mais recente, sessão mais longa
- Total estimado de tokens (rotulado como "estimado")
Em seguida, use a ferramenta AskQuestion para perguntar:
- Pergunta: "Prosseguir com a análise?"
- Opções:
- "Sim, analisar estas sessões" — prossiga para a Etapa 3
- "Não, deixe-me ajustar" — pergunte ao usuário o que mudar
Etapa 3: Analisar Conversas
Analisando diferentes formatos
Sessões do Claude Code (.jsonl em ~/.claude/projects/):
- Cada linha é um objeto JSON do transcript da conversa
- Leia e analise diretamente
Sessões do Cursor — Texto simples (.txt em ~/.cursor/projects/*/agent-transcripts/):
- Blocos alternados de
user:eassistant: - Mensagens do usuário são envolvidas por tags
<user_query>...</user_query> - Mensagens do assistente podem incluir seções
[Thinking] - Analise dividindo pelos marcadores
user:/assistant:
Sessões do Cursor — JSONL (.jsonl em ~/.cursor/projects/*/agent-transcripts/{UUID}/):
- Cada linha:
{"role":"user|assistant","message":{"content":[{"type":"text","text":"..."}]}} - Mensagens do usuário contêm tags
<user_query>no campo de texto - Analise o JSON e extraia o conteúdo de texto
Histórico do Codex (~/.codex/history.jsonl):
- Cada linha geralmente se parece com:
{"session_id":"...","ts":...,"text":"..."} - Trate
textcomo conteúdo da mensagem do usuário - Agrupe por
session_idpara reconstruir threads
Eventos de sessão do Codex (~/.codex/sessions/**/*.jsonl):
- Fluxo de eventos com
type+payload - Extraia conteúdo originado pelo usuário onde o papel/tipo indica mensagens do usuário
- Use
history.jsonlcomo fallback primário se a análise de eventos for ambígua
Sessões do OpenClaw (~/.openclaw/sessions/*.jsonl e ~/.openclaw/agents/**/*.jsonl):
- OpenClaw armazena metadados de sessão em
~/.openclaw/sessions.jsone transcripts por sessão como JSONL. - Analise cada linha JSONL como um evento; extraia entradas onde o orador/papel/fonte indica o usuário.
- Se existirem múltiplas formas de evento, prefira conteúdo explícito com
role == "user", depois recorra ao texto do payload do evento com tag de usuário. - Use
sessions.jsonpara mapear IDs de sessão para contexto de projeto/workspace quando disponível.
Exportação do ChatGPT (conversations*.json):
- O arquivo é um array de conversas, cada uma contendo uma árvore
mapping - Extraia nós onde
message.author.role == "user" - Obtenha o texto do usuário de
message.content.parts[] - Ordene por
create_timeao reconstruir a cronologia
Sessões do Gemini CLI (.json em ~/.gemini/tmp/*/chats/):
- Cada arquivo é uma sessão completa:
{"sessionId":"...","messages":[{"type":"user|model","content":[{"text":"..."}],"timestamp":"..."}]} type: "user"= mensagem do usuário,type: "model"= resposta do assistente- Conteúdo é um array de partes, cada uma com um campo
text - Timestamps são strings ISO 8601
- O nome do projeto é o diretório pai em
tmp/(ex.:~/.gemini/tmp/meuprojeto/chats/)
Sessões do Trae (fork do VS Code pela ByteDance — DB criptografado, requer exportação assistida pelo usuário):
- Trae armazena chat de IA em um DB SQLite criptografado (SQLCipher) em
~/Library/Application Support/Trae CN/ModularData/ai-agent/database.db— não pode ser lido diretamente - Diretório home:
~/.trae-cn/(CN) ou~/.trae/(internacional) - O script de descoberta verifica arquivos de chat exportados em
~/.trae-cn/chat-export.json,~/.trae/chat-export.json,~/Desktop/trae-chat-export.json,~/Downloads/trae-chat-export.json - Se Trae for detectado mas nenhum arquivo de exportação for encontrado (stderr contém
TRAE_DETECTED_NO_EXPORT), pergunte ao usuário comAskUserQuestion:-
Explique: "O Trae armazena o histórico de chat em um banco de dados criptografado. Para incluir dados do Trae, você pode exportá-los de dentro do Trae."
-
Opção 1: "Exportar do Trae" — Diga ao usuário para abrir o Trae, iniciar um novo chat e enviar esta mensagem:
Exporte todo o meu histórico de chat como um arquivo JSON. Salve em ~/.trae-cn/chat-export.json (ou ~/.trae/chat-export.json para a versão internacional). O formato JSON deve ser: {"messages": [{"role": "user", "content": "...", "timestamp": "2026-01-01T12:00:00Z"}, {"role": "assistant", "content": "...", "timestamp": "..."}]} Se houver várias sessões, combine todas as mensagens de todas as sessões em um único array plano de mensagens, ordenado por timestamp.Em seguida, execute novamente o script de descoberta após o usuário confirmar que a exportação foi concluída.
-
Opção 2: "Pular Trae" — Continue sem dados do Trae.
-
- NÃO tente descriptografar ou forçar o banco de dados
- O arquivo JSON exportado, uma vez criado, será capturado automaticamente em execuções futuras
Sessões do OpenCode (SQLite → JSON extraído):
-
O script de descoberta extrai sessões de
~/.local/share/opencode/opencode.dbem arquivos JSON temporários -
Cada arquivo extraído:
{"messages":[{"role":"user|assistant","content":"...","timestamp":1234567890}]} -
Timestamps são inteiros Unix epoch (segundos)
-
Se os arquivos JSON extraídos estiverem ausentes ou vazios, recorra à consulta direta ao DB:
sqlite3 ~/.local/share/opencode/opencode.db "SELECT data FROM message WHERE session_id='...' ORDER BY time_created"
Antigravity / Windsurf (fontes experimentais):
- Prefira arquivos de transcript explícitos (
.jsonl,.json,.txt) quando presentes - Se apenas
state.vscdb/ logs estiverem disponíveis, trate-os como contexto apenas de metadados - Se o conteúdo da conversa legível não puder ser extraído com segurança, pergunte ao usuário por um caminho de exportação em vez de adivinhar
O que analisar
Foque nas mensagens do usuário. As respostas do modelo são apenas contexto de fundo. Seu objetivo é encontrar frases de estrutura e instâncias — momentos em que o usuário ensina a IA a pensar, e cenários onde o usuário colabora com a IA para resolver problemas através de correções em múltiplas rodadas.
Para cada sessão, escaneie cada mensagem do usuário em busca de:
-
Frases de estrutura — o usuário está definindo como o mundo funciona, não pedindo à IA para fazer algo:
- Definir essência: "A verdadeira questão aqui é..." / "本质上是……", "A lógica central é..." / "核心逻辑是……"
- Corrigir o pensamento da IA (não apenas sua saída): "Não pense dessa forma" / "你不要这样想", "Isso não é um problema de X, é um problema de Y" / "这不是 X 问题,是 Y 问题"
- Estabelecer princípios: "Um bom X deve..." / "好的 X 应该……", "Nunca..." / "永远不要……"
- Fazer abstrações ou analogias entre domínios
- Expressar julgamentos estéticos: "Isso é feio" / "太丑了", "Agora sim está certo" / "这才对", "Isso parece errado" / "感觉不对"
- Revelar contradições entre diferentes sessões
-
Instâncias — estudos de caso de tarefas complexas de múltiplas rodadas onde a condução do usuário revela seu calibre. Pense: como um headhunter descreveria o histórico dessa pessoa?
- O usuário conduziu uma tarefa complexa ao longo de várias rodadas, tomando decisões arquiteturais e de trade-off que moldaram o resultado
- O usuário aplicou conhecimento de domínio de experiência vivida — peculiaridades de API, restrições de plataforma, convenções da indústria
- O gosto e julgamento do usuário superaram respostas tecnicamente corretas
- O usuário demonstrou padrões de pensamento únicos: metáforas incomuns, raciocínio multidisciplinar, conhecimento profundo oculto
- O usuário mostrou paciência e tenacidade diante de projetos complexos
Precisão da fonte: Cada frase de estrutura e instância DEVE incluir uma referência de fonte (nome do arquivo de sessão, timestamp). Se você não conseguir determinar qual ferramenta/fonte gerou uma sessão, marque-a como "fonte desconhecida" e ainda assim a inclua. A fonte não precisa estar no formato de citação — apenas anexe metadados à descoberta.
Formato de saída
Depois de analisar todas as sessões, escreva os resultados em _pf_parts/summary.json com esta estrutura exata:
{
"portrait": {
"version": "promptfolio-v1",
"name": "nome ou apelido do usuário (se disponível a partir de configurações ou correio de voz)",
"tagline": "frase curta que captura seu padrão de pensamento mais marcante",
"archetype": "um dos: The System Architect, The Taste Curator, The Domain Sage, The Meta Learner, The Debug Philosopher, The Cross-Domain Synthesizer, The Principle Forger, ou outro se necessário",
"dateRange": {
"start": "YYYY-MM-DD",
"end": "YYYY-MM-DD"
},
"sources": ["ferramenta1", "ferramenta2"]
},
"activity": {
"totalSessions": 42,
"totalTokensEstimate": 150000,
"sessionsBySource": {
"claude-code": 20,
"cursor": 15,
"gemini-cli": 5,
"chatgpt": 2
},
"heatmapHighlights": {
"mostActiveDay": "2026-01-15 (sábado, 8 sessões — mergulho profundo em refatoração de pipeline de dados)",
"latestNightSession": "2026-01-18 03:42 — debug de problema intermitente com otimizações de consulta do Django ORM",
"longestSession": "2026-01-20 — 4 horas, 12 rodadas: projetando arquitetura de sistema de plug-in para motor de templates"
}
},
"frameworkSentences": [
{
"sentence": "Não pense nisso como um problema de desempenho — é um problema de psicologia do usuário.",
"source": {
"file": "claude-code/projects/site-redesign/...jsonl",
"timestamp": "2026-01-15T14:22:00Z"
},
"context": "O usuário estava depurando um formulário lento e percebeu que os usuários estavam clicando repetidamente porque não viam feedback."
}
],
"instances": [
{
"title": "Redesign de formulário de checkout — de frustração de UX para magia de microsserviços",
"source": {
"file": "cursor/projects/checkout-redesign/agent-transcripts/...jsonl",
"timestamp_range": ["2026-01-12T10:00:00Z", "2026-01-12T14:30:00Z"]
},
"turns": 24,
"problemBackground": "Formulário de checkout monolítico com latência de 3s por etapa, levando a 40% de abandono de carrinho",
"userDriving": "O usuário rejeitou a primeira sugestão de adicionar cache e, em vez disso, dividiu o formulário em microsserviços com streaming de eventos, citando a Lei de Amdahl e métricas reais de abandono",
"skillExhibited": ["Tomada de decisão arquitetural", "Análise de UX quantitativa", "Refatoração orientada a trade-offs"],
"tags": ["desempenho", "UX", "microsserviços", "checkout"]
}
],
"summary": "Este usuário não pergunta o que fazer — ele define como o problema deve ser pensado. Ele consistentemente..."
}
Tratamento de erros
- Se uma sessão não puder ser lida (arquivo corrompido, permissão negada), pule-a com um aviso, mas NOTIFIQUE O USUÁRIO com o caminho do arquivo.