promptfolio-summarize
你正在建立人類使用者的畫像——執行此命令的人就是被分析的對象。他們的畫像將會顯示在promptfolio平台上。你不是在總結專案、不是評估 AI 使用技巧、也不是撰寫績效評估。你是在尋找這個人教導 AI 如何思考的時刻——他們的框架句——並利用這些句子描繪出他們是誰。
為此,請分析他們在過去 30 天內與 AI 的對話歷史(Claude Code、Cursor、Codex、ChatGPT、Gemini CLI、Trae、OpenCode、Antigravity、Windsurf、OpenClaw 以及系統上任何其他編碼代理),提取活動熱力圖和框架句,這些句子能揭示此人的思考方式,然後圍繞這些句子建立畫像。
基本原則:找出使用者正在「教導」,而非正在「命令」的地方。「修復這個錯誤」沒有任何意義。「別那樣想——這不是效能問題,而是使用者心理問題」 / 「你不要这样想,这不是性能问题,是用户心理问题」則能告訴你一切。
步驟 0:自動更新
在執行任何其他步驟之前,請先執行自動更新程式,以確保您擁有最新的技能檔案和資料格式:
bash ~/.promptfolio/update-check.sh
- 如果輸出為
UPDATED v...→ 告知使用者:「技能已更新至 v{version}。」然後重新讀取此 SKILL.md 檔案,因為它可能已變更,並從步驟 1 繼續。 - 如果輸出為
UP_TO_DATE v...→ 靜默繼續。 - 如果輸出為
OFFLINE v...→ 告知使用者:**「無法檢查更新(離線狀態)。正在使用本機 v{version} 版本執行。」**正常繼續。
然後正常進行步驟 1。
步驟 1:驗證
確保 ~/.promptfolio/config.json 存在且包含有效的 token。
1a. 驗證現有 token(如果設定檔存在):
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=$HTTP_CODE"
fi
- 如果 HTTP 200,請繼續進行步驟 2。
- 如果設定檔遺失或 HTTP 不是 200,請執行裝置授權腳本:
1b. 執行裝置授權:
bash "SKILL_DIR/../scripts/device-auth.sh"
將 SKILL_DIR 替換為包含此 SKILL.md 檔案的目錄。此腳本會處理所有事情:請求裝置代碼、開啟瀏覽器、輪詢直到授權完成,並儲存 ~/.promptfolio/config.json。
**重要:**您必須依原樣執行此腳本。請勿自行重新實作授權流程。請勿手動建構授權 URL——讓腳本處理所有事情。
如果腳本執行失敗,請告知使用者授權逾時,並請他們重試。
步驟 2:探索對話
在執行任何命令之前,請告知使用者:
所有對話分析皆在本機機器上進行。分析期間不會將任何原始對話內容傳送到任何伺服器。只有在您明確確認後,才會上傳結構化結果。
2a. 偵測已安裝的工具
在掃描之前,請檢查使用者實際安裝了哪些 AI 編碼工具。尋找它們的設定/資料目錄:
| 工具 | 偵測方式 |
|---|---|
| Claude Code | ~/.claude/projects/ 存在 |
| Cursor | ~/.cursor/projects/ 存在 |
| Codex | ~/.codex/ 存在 |
| OpenClaw | ~/.openclaw/ 存在 |
| Gemini CLI | ~/.gemini/tmp/ 存在(包含 chats/ 子目錄) |
| Antigravity | ~/Library/Application Support/Antigravity/ 或 ~/.gemini/antigravity/ 存在 |
| Windsurf | ~/.codeium/windsurf/、~/.windsurf/ 或 ~/Library/Application Support/Windsurf/ 存在 |
| ChatGPT | ~/Desktop/chatgpt_history/ 存在(使用者必須手動匯出資料) |
| Trae | ~/.trae/、~/.trae-cn/ 或 App Support Trae 目錄存在(注意:資料庫已加密) |
| OpenCode | ~/.local/share/opencode/opencode.db 存在 |
執行快速檢查:
echo "=== 偵測到的 AI 工具 ==="
[ -d ~/.claude/projects ] && echo "claude-code"
[ -d ~/.cursor/projects ] && echo "cursor"
[ -d ~/.codex ] && echo "codex"
[ -d ~/.openclaw ] && echo "openclaw"
[ -d ~/.gemini/tmp ] && echo "gemini-cli"
[ -d "$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"
然後掃描未列在上述清單中的其他編碼代理。在 ~/ 中的點目錄和 ~/Library/Application Support/ 中的應用程式目錄中,尋找看起來像 AI 編碼工具(例如 Kiro、Aider、Continue、Copilot Chat、Trae、Roo Code 等)的目錄:
echo "=== 檢查其他編碼代理 ==="
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
如果您找到任何未知的工具目錄,請窺視內部以查看它們是否包含對話記錄檔(.jsonl、.json、.txt)。如果有的話,請將它們包含在內——無需詢問使用者。
呈現結果:「偵測到:Claude Code、Cursor。也發現到:Kiro(有對話記錄)。」
將 PF_SOURCES 設為已偵測到的已知工具以供腳本使用,並在步驟 2b 中手動處理未知工具。
2b. 尋找對話檔案
執行探索腳本,僅針對偵測到的工具:
export PF_SOURCES="claude-code,cursor" # 僅限步驟 2a 中偵測到的工具
SESSION_LIST=$(bash "SKILL_DIR/scripts/discover-sessions.sh")
export SESSION_LIST
此腳本會掃描每個工具的已知位置,並篩選出過去 30 天內的資料。執行後:
- 檢查零對話工具 — 如果偵測到的工具有 0 個對話,請自行探索其資料目錄,以尋找腳本遺漏的檔案。
- 處理未知工具 — 對於在步驟 2a 中發現的任何額外編碼代理,請探索它們的資料目錄,尋找對話記錄檔(.jsonl、.json、.txt),並將它們附加到
$SESSION_LIST。 - 詢問使用者他們是否在非標準位置或您未偵測到的工具中有對話資料。
如果您找到額外的對話檔案,請將它們附加到 $SESSION_LIST。
2c. 計算統計資料 + 活動資料
執行統計腳本,以單次傳遞方式計算 token 估計值並提取活動熱力圖資料:
python3 "SKILL_DIR/scripts/compute-stats.py"
此腳本讀取 $SESSION_LIST 並產生:
- stdout:每個來源的對話/token 摘要
_pf_parts/activity.json:用於熱力圖視覺化的每日活動資料
2d. 呈現摘要並詢問使用者
向使用者呈現摘要:
- 找到的對話總數(過去 30 天內),按來源分組
- 活動熱力圖重點:最活躍的一天、最晚的夜晚、最長的對話
- 估計的 token 總數(標示為「估計中」)
然後使用 AskQuestion 工具詢問:
- 問題:「是否繼續進行分析?」
- 選項:
- 「是,分析這些對話」— 繼續進行步驟 3
- 「否,讓我調整」— 詢問使用者想要更改什麼
步驟 3:分析對話
解析不同格式
Claude Code 對話(~/.claude/projects/ 中的 .jsonl):
- 每行都是來自對話記錄的 JSON 物件
- 直接讀取並分析
Cursor 對話 — 純文字(~/.cursor/projects/*/agent-transcripts/ 中的 .txt):
- 交替出現的
user:和assistant:區塊 - 使用者訊息包含在
<user_query>...</user_query>標籤中 - 助理訊息可能包含
[Thinking]段落 - 透過以
user:/assistant:標記分割來解析
Cursor 對話 — JSONL(~/.cursor/projects/*/agent-transcripts/{UUID}/ 中的 .jsonl):
- 每行:
{"role":"user|assistant","message":{"content":[{"type":"text","text":"..."}]}} - 使用者訊息在文字欄位中包含
<user_query>標籤 - 解析 JSON 並提取文字內容
Codex prompt 歷史記錄(~/.codex/history.jsonl):
- 每行通常看起來像:
{"session_id":"...","ts":...,"text":"..."} - 將
text視為使用者訊息內容 - 按
session_id分組以重構對話串
Codex 對話事件(~/.codex/sessions/**/*.jsonl):
- 事件串流,包含
type+payload - 提取由使用者產生的內容,其中 role/type 指出是使用者訊息
- 如果事件解析不明確,使用
history.jsonl作為主要備援
OpenClaw 對話(~/.openclaw/sessions/*.jsonl 和 ~/.openclaw/agents/**/*.jsonl):
- OpenClaw 將對話中繼資料儲存在
~/.openclaw/sessions.json中,並將每個對話的記錄儲存為 JSONL。 - 將每行 JSONL 解析為事件;提取其中 speaker/role/source 指出是使用者的條目。
- 如果存在多種事件格式,優先使用明確的
role == "user"內容,然後備援至使用者標記的事件 payload 文字。 - 使用
sessions.json將對話 ID 與專案/工作區上下文進行對應(如果可用)。
ChatGPT 匯出(conversations*.json):
- 檔案是一個對話陣列,每個對話包含一個
mapping樹 - 提取
message.author.role == "user"的節點 - 從
message.content.parts[]取得使用者文字 - 在重建時間順序時,按照
create_time排序
Gemini CLI 對話(~/.gemini/tmp/*/chats/ 中的 .json):
- 每個檔案都是一個完整的對話:
{"sessionId":"...","messages":[{"type":"user|model","content":[{"text":"..."}],"timestamp":"..."}]} type: "user"= 使用者訊息,type: "model"= 助理回覆- Content 是一個部分陣列,每個部分都有一個
text欄位 - 時間戳記為 ISO 8601 字串
- 專案名稱是
tmp/下的父目錄(例如~/.gemini/tmp/myproject/chats/)
Trae 對話(ByteDance 的 VS Code 分支 — 加密資料庫,需要使用者輔助匯出):
- Trae 將 AI 聊天儲存在加密的 SQLite 資料庫(SQLCipher)中,位於
~/Library/Application Support/Trae CN/ModularData/ai-agent/database.db— 無法直接讀取 - 家目錄:
~/.trae-cn/(中國版)或~/.trae/(國際版) - 探索腳本會在
~/.trae-cn/chat-export.json、~/.trae/chat-export.json、~/Desktop/trae-chat-export.json、~/Downloads/trae-chat-export.json檢查匯出的聊天檔案 - 如果偵測到 Trae 但未找到匯出檔案(stderr 包含
TRAE_DETECTED_NO_EXPORT),請使用AskUserQuestion詢問使用者:- 解釋:「Trae 將聊天記錄儲存在加密的資料庫中。若要包含 Trae 資料,您可以從 Trae 內部匯出。」
- 選項 1:「從 Trae 匯出」 — 告知使用者開啟 Trae,開始一個新的聊天,並發送此訊息:
然後在使用者確認匯出完成後,重新執行探索腳本。將我所有的聊天記錄匯出為 JSON 檔案。將其儲存至 ~/.trae-cn/chat-export.json(或國際版的 ~/.trae/chat-export.json)。 JSON 格式應為:{"messages": [{"role": "user", "content": "...", "timestamp": "2026-01-01T12:00:00Z"}, {"role": "assistant", "content": "...", "timestamp": "..."}]} 如果有多個對話,請將所有對話中的所有訊息合併為一個扁平化的 messages 陣列,並按時間戳記排序。 - 選項 2:「跳過 Trae」 — 在沒有 Trae 資料的情況下繼續。
- 請勿嘗試解密或暴力破解資料庫
- 匯出的 JSON 檔案一旦建立,將在未來執行時自動被擷取
OpenCode 對話(SQLite → 提取的 JSON):
- 探索腳本會從
~/.local/share/opencode/opencode.db中將對話提取到暫存 JSON 檔案 - 每個提取的檔案:
{"messages":[{"role":"user|assistant","content":"...","timestamp":1234567890}]} - 時間戳記為 Unix epoch 整數(秒)
- 如果提取的 JSON 檔案遺失或為空,則回退到直接查詢資料庫:
sqlite3 ~/.local/share/opencode/opencode.db "SELECT data FROM message WHERE session_id='...' ORDER BY time_created"
Antigravity / Windsurf(實驗性來源):
- 當存在明確的記錄檔案(
.jsonl、.json、.txt)時,優先使用它們 - 如果只有
state.vscdb/ logs 可用,則將其視為僅限中繼資料的上下文 - 如果無法安全地提取可讀的對話內容,請向使用者詢問匯出路徑,而不是猜測
分析什麼
關注使用者訊息。模型回覆僅作為背景上下文。您的目標是找到框架句和案例——使用者教導 AI 如何思考的時刻,以及使用者透過多輪糾正與 AI 協作解決問題的情境。
對於每個對話,掃描每條使用者訊息以找出:
-
框架句——使用者在定義世界如何運作,而不是要求 AI 做某事:
- 定義本質:「真正的問題是...」 / 「本质上是……」,「核心邏輯是...」 / 「核心逻辑是……」
- 糾正 AI 的思考(而不僅僅是它的輸出):「別那樣想」 / 「你不要这样想」,「這不是 X 問題,這是 Y 問題」 / 「这不是 X 问题,是 Y 问题」
- 建立原則:「好的 X 應該...」 / 「好的 X 应该……」,「永遠不要...」 / 「永远不要……」
- 跨領域進行抽象或類比
- 表達美學判斷:「這很醜」 / 「太丑了」,「這樣才對」 / 「这才对」,「感覺不對」 / 「感觉不对」
- 揭示不同對話之間的矛盾
-
案例——複雜多輪任務的案例研究,其中使用者的引導揭示了他們的能力水準。可以這樣思考:獵頭會如何描述此人的經歷?
- 使用者跨越多輪推動了一個複雜任務,做出了影響結果的架構決策和權衡取捨
- 使用者運用了來自實際經驗的領域專業知識——API 特性、平台限制、產業慣例
- 使用者的品味和判斷力否定了技術上正確的選項