promptfolio-summarize
你在构建计算机前这个人的肖像——运行此命令的人便是被分析的对象。这幅肖像将展示在 promptfolio 平台上。你并非在总结项目、评估AI使用技巧,或撰写绩效评价。你需要找到这个人教导AI如何思考的时刻——他们的框架性语句——并用这些语句来描绘他们是谁。
为此,分析他们在过去30天内的AI对话历史(Claude Code、Cursor、Codex、ChatGPT、Gemini CLI、Trae、OpenCode、Antigravity、Windsurf、OpenClaw以及系统上发现的任何其他编码代理),提取活动热力图和揭示此人思维的框架性语句,然后围绕这些语句构建肖像。
基本原则:找到用户正在“教导”而非“命令”的时刻。 "修复这个Bug"不能告诉你任何信息。"别这样想——这不是性能问题,而是用户心理问题" / "你不要这样想,这不是性能问题,是用户心理问题"则能告诉你一切。
步骤 0:自动更新
在执行任何操作之前,先运行自动更新程序,确保你拥有最新的技能文件和数据格式:
bash ~/.promptfolio/update-check.sh
- 如果输出为
UPDATED v...→ 告知用户:"技能已更新至 v{版本}。" 然后重新读取本 SKILL.md 文件(因为它可能已更改),并从步骤1继续。 - 如果输出为
UP_TO_DATE v...→ 静默继续。 - 如果输出为
OFFLINE v...→ 告知用户:"无法检查更新(离线)。正在使用本地 v{版本}。" 然后正常继续。
然后正常继续步骤1。
步骤 1:身份验证
确保 ~/.promptfolio/config.json 存在且包含有效令牌。
1a. 验证现有令牌(如果配置文件存在):
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=$HTTP_CODE"
fi
- 如果 HTTP 200,继续步骤2。
- 如果配置文件缺失或 HTTP 不是200,则运行设备授权脚本:
1b. 运行设备授权:
bash "SKILL_DIR/../scripts/device-auth.sh"
将 SKILL_DIR 替换为包含此 SKILL.md 文件的目录。该脚本会处理所有事情:请求设备代码、打开浏览器、轮询直到授权成功,并保存 ~/.promptfolio/config.json。
重要提示: 你必须按原样运行脚本。不要自行重新实现授权流程。不要手动构造授权 URL——让脚本处理一切。
如果脚本失败,告知用户授权超时,并请他们重试。
步骤 2:发现会话
在运行任何命令之前,先告知用户:
所有对话分析均在本地计算机上进行。分析期间,不会将原始对话内容发送到任何服务器。上传的结构化结果需经你明确确认。
2a. 检测已安装的工具
在扫描之前,先检查用户实际安装了哪些 AI 编码工具。查找它们的配置/数据目录:
| 工具 | 如何检测 |
|---|---|
| Claude Code | ~/.claude/projects/ 存在 |
| Cursor | ~/.cursor/projects/ 存在 |
| Codex | ~/.codex/ 存在 |
| OpenClaw | ~/.openclaw/ 存在 |
| Gemini CLI | ~/.gemini/tmp/ 存在(包含 chats/ 子目录) |
| Antigravity | ~/Library/Application Support/Antigravity/ 或 ~/.gemini/antigravity/ 存在 |
| Windsurf | ~/.codeium/windsurf/、~/.windsurf/ 或 ~/Library/Application Support/Windsurf/ 存在 |
| ChatGPT | ~/Desktop/chatgpt_history/ 存在(用户需手动导出数据) |
| Trae | ~/.trae/、~/.trae-cn/ 或 App Support Trae 目录存在(注意:数据库已加密) |
| OpenCode | ~/.local/share/opencode/opencode.db 存在 |
快速检查:
echo "=== 检测到的 AI 工具 ==="
[ -d ~/.claude/projects ] && echo "claude-code"
[ -d ~/.cursor/projects ] && echo "cursor"
[ -d ~/.codex ] && echo "codex"
[ -d ~/.openclaw ] && echo "openclaw"
[ -d ~/.gemini/tmp ] && echo "gemini-cli"
[ -d "$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"
然后扫描上方列表中未包含的其他编码代理。在 ~/ 中查找点目录,在 ~/Library/Application Support/ 中查找看起来像 AI 编码工具的应用目录(例如 Kiro、Aider、Continue、Copilot Chat、Trae、Roo Code 等):
echo "=== 检查其他编码代理 ==="
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
如果发现任何未知工具目录,请查看内部是否包含对话日志文件(.jsonl、.json、.txt)。如果包含,则将其包括在内——无需询问用户。
显示结果:"已检测到:Claude Code、Cursor。还发现了:Kiro(包含会话日志)。"
将 PF_SOURCES 设置为已知工具,以便脚本使用,并在 2b 中手动处理未知工具。
2b. 查找会话文件
运行发现脚本,仅针对检测到的工具:
export PF_SOURCES="claude-code,cursor" # 仅包含 2a 中检测到的工具
SESSION_LIST=$(bash "SKILL_DIR/scripts/discover-sessions.sh")
export SESSION_LIST
该脚本会扫描每个工具的已知位置,并过滤出最近30天的内容。运行后:
- 检查零会话工具——如果检测到的工具有0个会话,请自行探索其数据目录,查找脚本遗漏的文件。
- 处理未知工具——对于在2a中发现的其他编码代理,探索其数据目录,查找对话日志文件(.jsonl、.json、.txt),并将其追加到
$SESSION_LIST中。 - 询问用户是否将非标准位置或未检测到的工具的会话数据包含进来。
如果找到额外的会话文件,请将其追加到 $SESSION_LIST。
2c. 计算统计信息 + 活动数据
运行统计脚本,一次性计算令牌估计值并提取活动热力图数据:
python3 "SKILL_DIR/scripts/compute-stats.py"
此脚本读取 $SESSION_LIST 并产生:
- stdout:按来源分组的会话/令牌摘要
_pf_parts/activity.json:用于热力图可视化的每日活动数据
2d. 呈现摘要并询问用户
向用户呈现摘要:
- 找到的会话总数(过去30天),按来源分组
- 活动热力图亮点:最活跃日期、最晚时段、最长会话
- 估计的总令牌数(标记为“估算值”)
然后使用 AskQuestion 工具 询问:
- 问题:“是否继续分析?”
- 选项:
- “是,分析这些会话” — 继续步骤3
- “不,让我调整” — 询问用户要更改什么
步骤 3:分析对话
解析不同格式
Claude Code 会话(~/.claude/projects/ 中的 .jsonl):
- 每行是对话记录中的一个 JSON 对象
- 直接读取并分析
Cursor 会话——纯文本(~/.cursor/projects/*/agent-transcripts/ 中的 .txt):
- 交替出现的
user:和assistant:块 - 用户消息包裹在
<user_query>...</user_query>标签中 - 助手消息可能包含
[Thinking]部分 - 通过在
user:/assistant:标记处拆分进行解析
Cursor 会话——JSONL(~/.cursor/projects/*/agent-transcripts/{UUID}/ 中的 .jsonl):
- 每行:
{"role":"user|assistant","message":{"content":[{"type":"text","text":"..."}]}} - 用户消息的文本字段中包含
<user_query>标签 - 解析 JSON 并提取文本内容
Codex 提示历史(~/.codex/history.jsonl):
- 每行通常像:
{"session_id":"...","ts":...,"text":"..."} - 将
text视为用户消息内容 - 按
session_id分组以重建对话线程
Codex 会话事件(~/.codex/sessions/**/*.jsonl):
- 事件流,包含
type+payload - 提取 role/type 指示用户消息的用户发起内容
- 如果事件解析不明确,使用
history.jsonl作为主要备选方案
OpenClaw 会话(~/.openclaw/sessions/*.jsonl 和 ~/.openclaw/agents/**/*.jsonl):
- OpenClaw 将会话元数据存储在
~/.openclaw/sessions.json中,将会话记录存储为 JSONL。 - 将每行 JSONL 解析为事件;提取其中 speaker/role/source 指示用户的部分。
- 如果存在多种事件形状,优先选择显式的
role == "user"内容,然后回退到带有用户标记的事件负载文本。 - 在可用时使用
sessions.json将会话 ID 映射到项目/工作区上下文。
ChatGPT 导出(conversations*.json):
- 文件是一个包含多个对话的数组,每个对话包含一个
mapping树。 - 提取
message.author.role == "user"的节点。 - 从
message.content.parts[]中获取用户文本。 - 重建时间顺序时按
create_time排序。
Gemini CLI 会话(~/.gemini/tmp/*/chats/ 中的 .json):
- 每个文件是一个完整的会话:
{"sessionId":"...","messages":[{"type":"user|model","content":[{"text":"..."}],"timestamp":"..."}]} type: "user"= 用户消息,type: "model"= 助手回复- 内容是一个包含多个部分的数组,每个部分有一个
text字段 - 时间戳是 ISO 8601 字符串
- 项目名称为
tmp/下的父目录名称(例如~/.gemini/tmp/myproject/chats/)
Trae 会话(字节跳动开发的 VS Code 分支——加密数据库,需要用户辅助导出):
- Trae 将 AI 聊天存储在一个加密的 SQLite 数据库(SQLCipher)中,位于
~/Library/Application Support/Trae CN/ModularData/ai-agent/database.db——无法直接读取 - 用户目录:
~/.trae-cn/(中国版)或~/.trae/(国际版) - 发现脚本会检查导出的聊天文件,位置为
~/.trae-cn/chat-export.json、~/.trae/chat-export.json、~/Desktop/trae-chat-export.json、~/Downloads/trae-chat-export.json - 如果检测到 Trae 但未找到导出文件(stderr 包含
TRAE_DETECTED_NO_EXPORT),使用AskUserQuestion询问用户:- 解释:“Trae 将聊天历史存储在加密数据库中。要包含 Trae 数据,您可以从 Trae 内部导出。”
- 选项 1:"从 Trae 导出"——告知用户打开 Trae,开始一个新聊天,并发送此消息:
然后在用户确认导出完成之后,重新运行发现脚本。将我所有的聊天历史导出为 JSON 文件。保存到 ~/.trae-cn/chat-export.json(或国际版的 ~/.trae/chat-export.json)。 JSON 格式应为:{"messages": [{"role": "user", "content": "...", "timestamp": "2026-01-01T12:00:00Z"}, {"role": "assistant", "content": "...", "timestamp": "..."}]} 如果有多个会话,将所有会话的所有消息合并到一个扁平的消息数组中,按时间戳排序。 - 选项 2:"跳过 Trae"——继续,不包含 Trae 数据。
- 不要尝试解密或暴力破解数据库。
- 一旦创建,导出的 JSON 文件将在未来的运行中自动被获取。
OpenCode 会话(SQLite → 提取的 JSON):
- 发现脚本从
~/.local/share/opencode/opencode.db中将会话提取到临时 JSON 文件中 - 每个提取的文件:
{"messages":[{"role":"user|assistant","content":"...","timestamp":1234567890}]} - 时间戳是 Unix 纪元整数(秒)
- 如果提取的 JSON 文件缺失或为空,回退到直接查询数据库:
sqlite3 ~/.local/share/opencode/opencode.db "SELECT data FROM message WHERE session_id='...' ORDER BY time_created"
Antigravity / Windsurf(实验性来源):
- 优先选择显式的记录文件(
.jsonl、.json、.txt) - 如果仅有
state.vscdb/ 日志可用,则将其视为仅包含元数据的上下文 - 如果无法安全提取可读的对话内容,请询问导出的路径,而不是猜测
分析什么
专注于用户消息。 模型的回复只是背景上下文。你的目标是找到框架性语句和实例——用户教导AI如何思考的时刻,以及用户通过与AI进行多轮更正来协作解决问题的场景。
对于每个会话,扫描每条用户消息以查找:
-
框架性语句——用户正在定义世界如何运作,而不是要求AI做某事:
- 定义本质:“真正的问题在于……” / “本质上是……”, “核心逻辑是……” / “核心逻辑是……”
- 纠正AI的思维(而不仅仅是其输出):“别那样想” / “你不要这样想”, “这不是 X 问题,而是 Y 问题” / “这不是 X 问题,是 Y 问题”
- 确立原则:“好的 X 应该……” / “好的 X 应该……”, “永远不要……” / “永远不要……”
- 进行跨领域的抽象或类比
- 表达审美判断:“这太丑了” / “太丑了”, “这才对” / “这才对”, “感觉不对” / “感觉不对”
- 揭示不同会话之间的矛盾
-
实例——复杂多轮任务的案例研究,用户的引导揭示了他们的水准。想想猎头会如何描述这个人的成就?
- 用户推动了一项跨多轮的复杂任务,做出了影响结果架构的决策和权衡
- 用户应用了来自实际经验的领域知识——API 特性、平台限制、行业惯例
- 用户的品味和判断力否决了技术上正确但次优的方案
...