Cursor Insights

本技能基于本地 Cursor Agent 会话记录，按固定流程扫描、摘要、提取特征并调用 LLM 分析，最终生成一份可交互的 HTML 使用洞察报告。

处理流程

1. 内容读取

• 执行 npx bun run ./scripts/scan.ts 扫描 Cursor 会话数据
• 扫描完成后，列出用户主目录下 .agent-insights/conversations 中的子目录（主目录：Windows 为 %USERPROFILE%，macOS/Linux 为 ~），由用户选择要分析的项目（对应一个子目录）
• 根据所选目录，读取该目录下所有 .md 文件作为 Agent 对话内容

2. 摘要总结

请对 Agent 会话记录的这一部分进行摘要总结，重点关注：
1. 用户要求了什么
2. Agent 做了什么（使用了哪些工具、修改了哪些文件）
3. 遇到的摩擦或问题
4. 最终结果

保持简洁，3-5 句话。保留具体细节，如文件名、错误信息和用户反馈。

会话记录片段：

3. 特征提取

对会话内容进行结构化特征提取，必须遵守以下判定规则：

1. **goal_categories**：只统计**用户明确提出的请求**。
   - 不统计 Agent 主动进行的代码库探索或自行决定的工作
   - 仅在用户出现「你能…吗」「请…」「我需要…」「我们来…」等明确请求时计入

2. **user_satisfaction_counts**：只依据**用户明确表达的反馈**。
   - 「太棒了！」「很好！」「完美！」→ happy
   - 「谢谢」「看起来不错」「可以用了」→ satisfied
   - 「好的，现在让我们…」（无抱怨地继续）→ likely_satisfied
   - 「不对」「再试一次」→ dissatisfied
   - 「这坏了」「我放弃了」→ frustrated

3. **friction_counts**：按类型标注具体问题。
   - misunderstood_request：Agent 理解错误
   - wrong_approach：目标正确，但解法/思路错误
   - buggy_code：代码无法正常运行
   - user_rejected_action：用户拒绝或中止了某次工具调用
   - excessive_changes：过度设计或改动范围过大

4. 若会话极短或仅为热身，将目标类别标为 **warmup_minimal**。

会话内容：
<会话记录插入此处>

仅返回符合以下 schema 的有效 JSON 对象：
{
  "underlying_goal": "用户根本上想要实现的目标",
  "goal_categories": {"类别名": 数量, ...},
  "outcome": "fully_achieved | mostly_achieved | 
              partially_achieved | not_achieved | 
              unclear_from_transcript",
  "user_satisfaction_counts": {"级别": 数量, ...},
  "agent_helpfulness": "unhelpful | slightly_helpful | moderately_helpful | very_helpful | essential",
  "session_type": "single_task | multi_task | iterative_refinement | exploration | quick_question",
  "friction_counts": {"摩擦类型": 数量, ...},
  "friction_detail": "一句话描述摩擦点，或为空",
  "primary_success": "none | fast_accurate_search | correct_code_edits | good_explanations | proactive_help | multi_file_changes | good_debugging",
  "brief_summary": "一句话：用户想要什么以及是否达成"
}

（以上为特征提取的提示词内容；执行时将「<会话记录插入此处>」替换为实际会话文本。）

目标类别

Agent 有用程度级别

unhelpful → slightly_helpful → moderately_helpful → very_helpful → essential

会话类型

主要成功类别

4. 内容分析

在完成所有会话的摘要与特征提取后，将汇总数据传入多组专项分析提示，分别得到项目领域、交互风格、有效之处、摩擦、建议、未来展望和趣味结尾等结构化结果。

传入分析提示的数据

每组分析提示均接收同一份汇总统计数据：

{
  "sessions": "<总会话数>",
  "analyzed": "<已分析的会话数>",
  "date_range": { "start": "...", "end": "..." },
  "messages": "<总消息数>",
  "hours": "<总时长（小时）>",
  "commits": "<git 提交数>",
  "top_tools": ["使用量前8的工具"],
  "top_goals": ["前8个目标类别"],
  "outcomes": { "结果分布" },
  "satisfaction": { "满意度分布" },
  "friction": { "摩擦类型统计" },
  "success": { "成功类别统计" },
  "languages": { "语言使用统计" }
}

以及以下文本材料：

• 会话摘要：最多 50 条简短摘要
• 摩擦详情：从特征中提取的最多 20 条
• 用户对 Agent 的指示：用户重复给出的最多 15 条

4.1 项目领域分析

分析上述 Agent 使用数据，归纳出 4–5 个项目领域。
仅返回有效 JSON，跳过内部 CC 操作。

{
  "areas": [
    {
      "name": "领域名称",
      "session_count": N,
      "description": "2-3 句话，描述工作内容以及如何使用 Agent。"
    }
  ]
}

每个领域包含：name、session_count、description（2–3 句话，描述工作内容及如何使用 Agent）。

4.2 交互风格分析

分析上述 Agent 使用数据，归纳用户与 Agent 的交互风格。
仅返回有效 JSON：

{
  "style": "简要描述其风格（2-3 句话）",
  "strengths": ["2-3 件做得好的事"],
  "patterns": ["2-3 个值得注意的工作模式"]
}

4.3 有效之处分析

分析上述 Agent 使用数据，识别运作良好的部分。
仅返回有效 JSON，包含 2–3 个「重大成果」，需具体并引用实际会话：

{
  "big_wins": [
    {
      "title": "简短标题（4-6 个字）",
      "description": "2-3 句话描述一项令人印象深刻的成就"
    }
  ]
}

每项包含 title（4–6 字）、description（2–3 句话）。

4.4 摩擦分析

分析上述 Agent 使用数据，归纳摩擦规律。
仅返回有效 JSON，包含 2–3 个摩擦点，诚实且有建设性：

{
  "friction_points": [
    {
      "category": "类别名称",
      "frequency": "rare | occasional | frequent",
      "description": "2-3 句话描述该规律"
    }
  ]
}

每项包含 category、frequency（rare | occasional | frequent）、description（2–3 句话）。

4.5 建议分析

分析上述 Agent 使用数据并生成可执行建议。
仅返回有效 JSON，features_to_try 与 usage_patterns 各 2–3 条，需针对其实际使用模式：

{
  "features_to_try": [
    {
      "feature": "功能名称",
      "benefit": "有什么帮助",
      "example": "来自其使用记录的具体示例"
    }
  ],
  "usage_patterns": [
    {
      "pattern": "模式名称",
      "benefit": "为什么有帮助",
      "example": "如何应用"
    }
  ]
}

各包含 2-3 条；建议需具体、可操作。

4.6 未来展望分析

分析上述 Agent 使用数据，提炼未来 3–6 个月可尝试的机会。
仅返回有效 JSON，包含 3 个机会，可涉及自主工作流、并行代理、对照测试迭代等：

{
  "intro": "关于 AI 辅助开发演进的 1 句话",
  "opportunities": [
    {
      "title": "简短标题（4-8 个字）",
      "whats_possible": "2-3 句话，关于自主工作流的宏大愿景",
      "how_to_try": "1-2 句话，提及相关工具",
      "copyable_prompt": "可直接使用的详细提示词"
    }
  ]
}

每项包含 intro（1 句话）、opportunities（title、whats_possible、how_to_try、copyable_prompt）。可大胆想象。

4.7 趣味结尾（难忘瞬间）

分析上述 Agent 使用数据，从会话摘要中找出一个难忘的瞬间（有人情味、有趣或出人意料，而非统计数字）。
仅返回有效 JSON：

{
  "headline": "来自记录的令人难忘的定性瞬间——不是统计数字。要有人情味、有趣或出人意料。",
  "detail": "该瞬间发生的时间/背景简述"
}

从会话摘要中选取真正有趣或令人惊喜的内容。

5. 生成概览

最后进行一次 LLM 调用，将前述所有洞察汇总为「一览概要」执行摘要。该提示接收所有已生成的洞察结果作为上下文。

总览提示词

你正在为 Agent 用户的使用洞察报告撰写「一览概要」。
目标：帮助用户理解自己的使用情况，以及如何随模型演进更好地使用 Agent。

按以下 4 部分撰写：

1. **哪些有效**：用户与 Agent 的交互风格有何特点、做了哪些有影响力的事。可含 1–2 个细节，但以高层次概述为主（用户可能已不记得具体会话）。避免空洞吹捧，也不要罗列工具调用。

2. **哪些在阻碍你**：分两类——（a）Agent 侧：误解、错误方法、Bug；（b）用户侧：上下文不足、环境问题等。尽量提炼跨项目的共性，诚实但有建设性。

3. **可尝试的快速改进**：从下方示例中选取可立即尝试的 Agent 功能或工作流技巧。（避免「让 Agent 先确认再行动」「多写一点上下文」等吸引力较低的建议。）

4. **为更强大模型准备的宏大工作流**：未来 3–6 个月模型能力提升后，用户可提前准备什么？哪些目前难以实现的工作流将变为可能？从下方对应章节汲取灵感。

每部分 2–3 句，不宜过长。不要引用会话中的具体数字或类别名。语气为辅导式。

仅返回有效 JSON：

{
  "whats_working": "（参考上方说明）",
  "whats_hindering": "（参考上方说明）",
  "quick_wins": "（参考上方说明）",
  "ambitious_workflows": "（参考上方说明）"
}

会话数据：
<汇总统计 JSON>

## 项目领域（用户工作内容）
<project_areas 结果>

## 重大成果（令人印象深刻的成就）
<what_works 结果>

## 摩擦类别（哪些地方出了问题）
<friction_analysis 结果>

## 可尝试的功能
<suggestions.features_to_try 结果>

## 待采纳的使用模式
<suggestions.usage_patterns 结果>

## 未来展望（为更强大模型准备的宏大工作流）
<on_the_horizon 结果>

6. 生成报告

将前述所有汇总数据与 LLM 洞察按模板渲染为可交互的 HTML 报告。模板路径：./temp/report_temp.html。

输出路径：用户主目录下 .agent-insights/reports/agent-insights-report-YYYY-MM-DD.html（主目录：Windows 为 %USERPROFILE%，macOS/Linux 为 ~）。

统计仪表盘

• 总会话数、消息数、时长、Token 数
• Git 提交数、推送数

报告章节

1. 一览概要：执行摘要
2. 项目领域：用户在做什么
3. 交互风格：用户如何与 Agent 协作
4. 有效之处：重大成果
5. 摩擦点：出了哪些问题
6. 建议：可尝试的功能与可采纳的模式
7. 未来展望：后续可探索的机会
8. 趣味结尾：一个难忘的瞬间