airay-agent-review

分类: 工具与效率 | 上传者: akira82-ai | 下载: 0 | 版本: v1.0（最新）

每日复盘。根据 Claude Code 本地对话记录，生成结构化的每日工作复盘报告。支持当天、昨天、近 3 天、近 7 天。当用户说"复盘"、"agent review"、"/agent-review"、"/复盘"时触发。 --- # 每日复盘 ## 启动横幅技能启动时，**必须**在执行任何操作之前，先输出以下横幅： ``` ═══════════════════════════════════════════════════════════════ ▌ 每日复盘 ▐ 根据 Claude Code 本地对话记录，生成结构化的每日工作复盘报告 ═══════════════════════════════════════════════════════════════ 磊叔 │ 微信：AIRay1015 │ github.com/akira82-ai ─────────────────────────────────────────────────────────────── - 支持 4 种时间范围：今天 / 昨天 / 近 3 天 / 近 7 天 - 自动提取对话记录、工具调用统计、Git 提交记录 - 生成结构化报告：概要 / 工作量统计 / 成功与进展 / 困难与卡点 / AI 自评 - 报告自动保存至当前工作目录 ═══════════════════════════════════════════════════════════════ ``` ## 参数处理如果用户没有指定时间范围，用 AskUserQuestion 询问，选项为： - 今天 - 昨天 - 近 3 天 - 近 7 天不提供其他选项。根据用户选择，计算对应的日期范围（当天、前 1 天、前 3 天、前 7 天），时间戳使用 UTC 时区。 ## 数据提取步骤 ### 第 1 步：从 history.jsonl 获取消息列表用 Bash 执行 Python 脚本，读取 ~/.claude/history.jsonl，按时间戳筛选指定日期范围内的所有记录。每条记录包含：display（用户输入内容）、timestamp（Unix 毫秒）、project（项目路径）、sessionId。统计精确的消息条数。如果选择了多天（近 3 天、近 7 天），按天分别统计。 ### 第 2 步：获取涉及的 session 列表从第 1 步中提取不重复的 sessionId 和对应的项目路径。 ### 时间戳格式说明（重要）两个数据源的时间戳格式不同，脚本中**必须**统一处理： 1. `history.jsonl` 的 timestamp 字段是 **int**（Unix 毫秒），如 `1770288337219` 2. 项目 JSONL 文件的 timestamp 字段是 **ISO 8601 字符串**，如 `"2026-03-31T04:24:20.514Z"` 在脚本开头定义统一的解析函数： ```python def to_ms(ts): if isinstance(ts, (int, float)): return ts if isinstance(ts, str): dt = datetime.datetime.fromisoformat(ts.replace('Z', '+00:00')) return int(dt.timestamp() * 1000) return 0 ``` 后续所有时间戳比较和过滤都使用 `to_ms()` 转换后再比较。 ### 第 3 步：从项目 JSONL 文件中提取详细内容使用技能自带的 `extract.py` 脚本提取数据，确保时间戳处理稳定可靠。 **调用脚本**： ```bash python ~/.claude/plugins/marketplaces/airay-skills/skills/airay-agent-review/scripts/extract.py --start_ms <start_ms> --end_ms <end_ms> ``` **脚本返回的数据结构**： ```json { "sessions": [...], "total_messages": N, "tool_calls": {"Bash": 36, "Read": 2, "Write": 2, ...}, "tool_errors": {...}, "files_touched": ["path/to/file1", "path/to/file2", ...], "projects": ["/path/to/project1", "/path/to/project2"], "user_messages":

更新日志: Source: GitHub https://github.com/akira82-ai/airay-skills

目录结构

当前层级: tree/main/skills/airay-agent-review/

📁 scripts/
- 📄 extract.py 8.8 KB
📄 SKILL.md 5.7 KB

SKILL.md

---
name: airay-agent-review
version: 1.0.0
description: |
  每日复盘。根据 Claude Code 本地对话记录，生成结构化的每日工作复盘报告。支持当天、昨天、近 3 天、近 7 天。

  当用户说"复盘"、"agent review"、"/agent-review"、"/复盘"时触发。
---

# 每日复盘

## 启动横幅

技能启动时，**必须**在执行任何操作之前，先输出以下横幅：

```
═══════════════════════════════════════════════════════════════
▌ 每日复盘 ▐
根据 Claude Code 本地对话记录，生成结构化的每日工作复盘报告
═══════════════════════════════════════════════════════════════
磊叔 │ 微信：AIRay1015 │ github.com/akira82-ai
───────────────────────────────────────────────────────────────
- 支持 4 种时间范围：今天 / 昨天 / 近 3 天 / 近 7 天
- 自动提取对话记录、工具调用统计、Git 提交记录
- 生成结构化报告：概要 / 工作量统计 / 成功与进展 / 困难与卡点 / AI 自评
- 报告自动保存至当前工作目录
═══════════════════════════════════════════════════════════════
```

## 参数处理

如果用户没有指定时间范围，用 AskUserQuestion 询问，选项为：
- 今天
- 昨天
- 近 3 天
- 近 7 天

不提供其他选项。根据用户选择，计算对应的日期范围（当天、前 1 天、前 3 天、前 7 天），时间戳使用 UTC 时区。

## 数据提取步骤

### 第 1 步：从 history.jsonl 获取消息列表

用 Bash 执行 Python 脚本，读取 ~/.claude/history.jsonl，按时间戳筛选指定日期范围内的所有记录。
每条记录包含：display（用户输入内容）、timestamp（Unix 毫秒）、project（项目路径）、sessionId。
统计精确的消息条数。
如果选择了多天（近 3 天、近 7 天），按天分别统计。

### 第 2 步：获取涉及的 session 列表

从第 1 步中提取不重复的 sessionId 和对应的项目路径。

### 时间戳格式说明（重要）

两个数据源的时间戳格式不同，脚本中**必须**统一处理：

1. `history.jsonl` 的 timestamp 字段是 **int**（Unix 毫秒），如 `1770288337219`
2. 项目 JSONL 文件的 timestamp 字段是 **ISO 8601 字符串**，如 `"2026-03-31T04:24:20.514Z"`

在脚本开头定义统一的解析函数：

```python
def to_ms(ts):
    if isinstance(ts, (int, float)):
        return ts
    if isinstance(ts, str):
        dt = datetime.datetime.fromisoformat(ts.replace('Z', '+00:00'))
        return int(dt.timestamp() * 1000)
    return 0
```

后续所有时间戳比较和过滤都使用 `to_ms()` 转换后再比较。

### 第 3 步：从项目 JSONL 文件中提取详细内容

使用技能自带的 `extract.py` 脚本提取数据，确保时间戳处理稳定可靠。

**调用脚本**：
```bash
python ~/.claude/plugins/marketplaces/airay-skills/skills/airay-agent-review/scripts/extract.py --start_ms <start_ms> --end_ms <end_ms>
```

**脚本返回的数据结构**：
```json
{
  "sessions": [...],
  "total_messages": N,
  "tool_calls": {"Bash": 36, "Read": 2, "Write": 2, ...},
  "tool_errors": {...},
  "files_touched": ["path/to/file1", "path/to/file2", ...],
  "projects": ["/path/to/project1", "/path/to/project2"],
  "user_messages": [...]
}
```

脚本内部会自动处理：
- 时间戳格式转换（int 毫秒 / ISO 8601 字符串统一处理）
- content 数组遍历（检查 tool_use 和 server_tool_use）
- 路径编码（项目路径中的 / 替换为 -）
- 错误统计（is_error 标记）

### 第 4 步：获取 Git 提交记录

对当天涉及的项目目录，执行 git log --since="<起始日期> 00:00:00" --until="<结束日期+1天> 00:00:00" --oneline，获取提交记录。

## 报告格式

### 1. 概要（100 字以内）
- 用一段话概括指定时间范围内完成了哪几件事
- 重点突出，信息密度高
- 可以用「金句」开头。

### 2. 工作量统计
- 精确数字，不估算。表格形式：
| 指标 | 数值 |
| 你发的消息 | N 条 |
| 涉及项目 | N 个 |
| 工具调用 | N 次（失败 N 次） |
| Git 提交 | N 次 |

### 3. 成功与进展
- 按项目分组，每个项目一个子标题：### [项目名] 简要标题
- 内容描述完成了什么任务、发现了什么、哪些过程顺畅。
- 不出现具体时间点。

模板可参考：

```
### [ 项目名 ]
内容描述等内容

```

### 4. 困难与卡点
- 列出遇到的困难和阻碍，包括：外部限制（API 限流等）、工具能力边界、操作策略失误等。
- 不出现具体时间点。

### 5. AI 自评：对你的评价
站在 AI 的角度评价用户。要求：
- 直接了当，不客套，深刻
- 基于具体对话行为给出评价，有例子
- 包含：用户的强项、可改进的地方、值得肯定的思维特质
- 语气坦诚，可以指出不足

## 输出

报告生成后：
- 在终端中完整展示
- 保存到 当前工作目录下，命名为：YYYY-MM-DD.md（多天范围时文件名用 YYYY-MM-DD~YYYY-MM-DD.md）
- 如果文件已存在则覆盖

## 格式规则
- 所有统计数字必须精确，不允许"约"、"大概"
- 不出现具体时间点（如 02:35、凌晨）
- 成功与进展按项目分组，不按时间分组
- 不设"下一步"章节
- 使用中文
- 不使用 emoji

登录后下载/点赞/收藏 ❤ 9 | ★ 0

airay-agent-review

目录结构

SKILL.md

举报内容

提示