Agent Insights

本技能支持分析 Cursor、ClaudeCode 和 OpenCode 三种主流 AI Agent 工具的本地会话记录。它按固定流程扫描、提取、汇总并调用 LLM 分析，最终生成一份可交互的 HTML 使用洞察报告。

支持的工具

工具	存储位置	文件格式
Cursor	`~/.cursor/projects/`	JSONL
ClaudeCode	`~/.claude/projects/`	JSONL
OpenCode	`~/.local/share/opencode/storage/`	分片 JSON

处理流程

1. 内容读取

1.1 扫描会话

执行 bun run ./scripts/scan.ts 扫描本地 Agent 会话数据
支持的命令行参数：
- --cursor：仅扫描 Cursor
- --claude-code：仅扫描 ClaudeCode
- --opencode：仅扫描 OpenCode
- --all：扫描所有已安装的工具
- --path=<路径>：指定自定义数据路径

1.2 选择要分析的工具

脚本会自动检测已安装的工具
用户可以选择扫描特定工具或所有已安装的工具
也可以指定自定义数据路径

1.3 读取会话内容

扫描完成后，列出 ~/.agent-insights/conversations 中的子目录
由用户选择要分析的项目（对应一个子目录，支持多选全选，默认全部）
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"
}

目标类别

类别	描述
debug_investigate	调试/调查
implement_feature	实现功能
fix_bug	修复 Bug
write_script_tool	编写脚本/工具
refactor_code	重构代码
configure_system	配置系统
create_pr_commit	创建 PR/提交
analyze_data	分析数据
understand_codebase	理解代码库
write_tests	编写测试
write_docs	编写文档
deploy_infra	部署/基础设施
warmup_minimal	缓存预热（最小会话）

Agent 有用程度级别

unhelpful → slightly_helpful → moderately_helpful → very_helpful → essential

会话类型

类型	描述
single_task	单一聚焦任务
multi_task	一个会话中的多个任务
iterative_refinement	来回迭代优化
exploration	探索/理解代码库
quick_question	简短问答

主要成功类别

类别	描述
none	没有显著成功
fast_accurate_search	快速准确的代码搜索
correct_code_edits	准确的代码修改
good_explanations	清晰的解释
proactive_help	超出要求的主动帮助
multi_file_changes	成功协调多文件编辑
good_debugging	有效的调试

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" },
  "by_agent": { "各工具会话数统计" }
}

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
工具分布：各 Agent 工具的会话数量

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。"
    }
  ]
}

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"
    }
  ]
}

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"
    }
  ]
}

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"
    }
  ]
}

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"
    }
  ]
}

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"
}

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。

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。

输出路径：~/.agent-insights/reports/agent-insights-report-YYYY-MM-DD.html

报告章节

一览概要：执行摘要
项目领域：用户在做什么
交互风格：用户如何与 Agent 协作
有效之处：重大成果
摩擦点：出了哪些问题
建议：可尝试的功能与可采纳的模式
未来展望：后续可探索的机会
趣味结尾：一个难忘的瞬间
工具分布：各 Agent 工具的使用统计（新增）

使用示例

# 扫描所有已安装的工具
bun run ./scripts/scan.ts --all

# 仅扫描 Cursor
bun run ./scripts/scan.ts --cursor

# 仅扫描 ClaudeCode
bun run ./scripts/scan.ts --claude-code

# 指定自定义数据路径
bun run ./scripts/scan.ts --path=~/.custom-agent/data/

open-insights

Safety Notice

Copy this and send it to your AI assistant to learn