readme-skill

name: readme-skill description: > 生成一份对外可分享、脱敏的 AI-Native 开发者 README。 量化展示我对 Claude Code + Codex CLI + Kiro (AWS) + Trae (ByteDance) + Gemini Antigravity (Google) + Cursor 的使用深度、AI 协作风格、 项目与领域分布、兴趣主题，以及与 GitHub 提交的产出关联。 Trigger when the user says: "生成我的 AI 档案" / "做一份 AI-native README" / "分析我的 Claude / Codex / Kiro / Trae / Antigravity / Cursor 使用情况" / "总结我的 AI 使用" / "生成 AI 月度报告" / "按月份分析我的 AI 编码" / "分析 2026-05 的 AI 使用" / "build my AI usage profile" / "build my monthly AI coding report" / "analyze my AI usage for May 2026" / "summarize my Claude / Codex / Kiro / Trae / Antigravity / Cursor history" / "生成开发者画像". 全程本地、只读、默认匿名、不上传任何数据。 license: MIT

Readme.skill — AI-Native 开发者档案生成器

You (the AI agent invoking this skill) will read local Claude Code + Codex CLI

• Kiro (AWS) + Trae (ByteDance) + Gemini Antigravity (Google) + Cursor data, compute a fixed set of dimensions, and render both a Markdown profile and a validated SVG poster under ./output/ in the user's requested language (Chinese by default; English when the user asks in English or explicitly requests English). The profile and poster can cover the default history view or an explicit month / date range. You do all of the work — read the files with Read, query sqlite via Bash, synthesize the prose yourself, then write and validate the SVG. Do not write helper scripts; the skill is the recipe.

支持的 6 个 AI 编程工具（任一缺失都自动降级跳过）：

1. Claude Code (~/.claude/) — Step 2
2. Codex CLI (~/.codex/) — Step 3
3. Kiro CLI / IDE (~/.kiro/ + ~/.local/share/kiro-cli/) — Step 3b
4. Trae IDE (~/Library/Application Support/Trae/ + 项目 .trae/) — Step 3c
5. Gemini Antigravity (~/.gemini/antigravity/brain/) — Step 3d
6. Cursor (~/Library/Application Support/Cursor/ + 项目 .cursor/) — Step 3e

默认行为：对外分享版 —— 项目名匿名、敏感信息脱敏。 如果用户明确说"私人版 / 不要脱敏 / show real names"，跳过匿名步骤。

Step 1 — 准备

cd <repo-with-this-skill>   # e.g. ~/Projects/Readme.skill
mkdir -p output
DATE=$(date +%Y%m%d)

Decide anonymization mode (default = on). Build an in-memory mapping real_path → "项目 A/B/C" as you encounter project paths in later steps. Use the same mapping consistently across all sections.

1.1 时间窗口 / 月度报告模式

If the user asks for a month, quarter, stage, date range, "月度报告", "按月份分析", "time range", "monthly report", or similar, set a report window before reading any data. The window is a half-open local-date interval: [REPORT_START, REPORT_END_EXCL).

Supported phrases:

• Single month: 2026-05, 2026年5月, May 2026 → REPORT_START=2026-05-01, REPORT_END_EXCL=2026-06-01, REPORT_LABEL=2026-05, REPORT_SLUG=202605, REPORT_MODE=monthly
• Month range: 2026-04 到 2026-05, Apr-May 2026 → start at the first day of the first month, end at the first day after the last month, REPORT_MODE=range
• Explicit dates: 2026-05-03 到 2026-05-19 / 2026-05-03..2026-05-19 → include both named dates by setting REPORT_END_EXCL to the day after the final date, REPORT_MODE=range
• Relative range: 最近30天 / last 30 days → compute from today's local date, REPORT_MODE=range

If no explicit time window is requested, keep the existing default profile behavior: AI tool totals may use all available local history, while GitHub and local git use their existing 365-day windows. Set WINDOW_REQUESTED=0.

If a window is requested, set:

WINDOW_REQUESTED=1
REPORT_START=<YYYY-MM-DD>
REPORT_END_EXCL=<YYYY-MM-DD>   # exclusive
REPORT_LABEL=<human-readable label, e.g. "2026-05" or "2026-04..2026-05">
REPORT_SLUG=<filesystem-safe slug, e.g. "202605" or "202604-202605">

For every source below, include only records whose timestamp is >= REPORT_START 00:00:00 and < REPORT_END_EXCL 00:00:00 in local time. Never mix all-time counts into a windowed report unless the metric is explicitly labeled "all-time context" or "fallback, not window-filtered".

For windowed reports, also compute a previous comparison window of the same length when possible:

# macOS date syntax. Use equivalent date math on other systems.
window_start_ts=$(date -j -f "%Y-%m-%d" "$REPORT_START" +%s)
window_end_ts=$(date -j -f "%Y-%m-%d" "$REPORT_END_EXCL" +%s)
WINDOW_DAYS=$(( (window_end_ts - window_start_ts) / 86400 ))
PREV_END_EXCL="$REPORT_START"
PREV_START=$(date -j -v-"${WINDOW_DAYS}"d -f "%Y-%m-%d" "$REPORT_START" +%Y-%m-%d)

Step 2 — 读取 Claude Code 数据 (~/.claude/ + 项目 .claude/)

2.1 预聚合统计（最权威，先看这个）

Read ~/.claude/stats-cache.json. Extract:

派生量（你来算）:

• claude_tokens_spent = Σ (inputTokens + outputTokens + cacheCreationInputTokens) —— 真实新付费 token
• claude_cache_read = Σ cacheReadInputTokens —— 缓存复用，反映 prompt-caching 熟练度
• cache_to_spent_ratio = claude_cache_read / claude_tokens_spent —— 比值越大越熟

时间窗口模式：如果 WINDOW_REQUESTED=1，优先从 dailyActivity 与 dailyModelTokens 中按 REPORT_START <= date < REPORT_END_EXCL 过滤后汇总 Claude sessions / messages / tokens / cache。modelUsage 是全局聚合；只有默认 profile 模式才能直接当总量使用。若某个 Claude 字段只有全局聚合、无法按日期切分， 在月度报告里写 — 或标注「仅有 all-time 聚合，未纳入窗口统计」，不要把全局值混进 月度值。

2.2 Slash-command 热度

~/.claude/history.jsonl —— 每行 {display, timestamp, project, sessionId}。

# Top 15 slash commands
jq -r 'select(.display | startswith("/")) | (.display | split(" ")[0])' \
   ~/.claude/history.jsonl | sort | uniq -c | sort -rn | head -15

# 总条数 vs 命令条数 vs 直接 prompt 条数
total=$(wc -l < ~/.claude/history.jsonl)
cmd=$(jq -r 'select(.display | startswith("/")) | .display' ~/.claude/history.jsonl | wc -l)
echo "total=$total cmd=$cmd plain=$((total - cmd))"

时间窗口模式下，所有 history.jsonl 统计先过滤：

jq --arg start "$REPORT_START" --arg end "$REPORT_END_EXCL" '
  select((.timestamp // "")[0:10] >= $start and (.timestamp // "")[0:10] < $end)
' ~/.claude/history.jsonl

记录：/effort、/plan、/skill*、/usage、/clear、/resume、/compact、/init 各自次数。

2.3 项目分布 (~/.claude/projects/)

Each subdir is one project; per-project *.jsonl files = sessions. The dir name encodes the absolute path with / → - (ambiguous when the original path itself contains -).

# Top 15 by session-file count
for d in ~/.claude/projects/*/; do
  n=$(ls "$d"*.jsonl 2>/dev/null | wc -l | tr -d ' ')
  echo "$n $(basename "$d")"
done | sort -rn | head -15

To recover the canonical real path (so you can run git log later), read the cwd field from the first JSONL in each dir:

head -1 ~/.claude/projects/<encoded>/*.jsonl 2>/dev/null \
  | jq -r 'select(.cwd) | .cwd' | head -1

2.4 计划与 skill 自研

Claude Code 的 plan 文件目录不是固定值。默认在 ~/.claude/plans, 但用户可以通过 plansDirectory 改到项目工作目录下，例如 "./.claude/plans"。统计 plans 时必须先解析候选 plan 目录，不能只枚举 ~/.claude/plans/*.md。

解析规则：

• 先从 ~/.claude/projects/*/*.jsonl 的 cwd 字段恢复 Claude Code 访问过的项目根目录。
• 对每个项目根目录，按 Claude Code settings 优先级读取： .claude/settings.local.json > .claude/settings.json > ~/.claude/settings.json > default。
• 如果有效 settings 中存在 plansDirectory：
  • 绝对路径保持不变；
  • ~/... 展开为 $HOME/...；
  • ./... 或其他相对路径按该项目根目录解析。
• 如果没有配置，使用默认 ~/.claude/plans。
• 把所有候选目录下的 *.md 真实路径去重后，再统计 plan 数量和标题。

# Plan titles (first # heading of each plan) from all resolved plan dirs.
# Include ~/.claude/plans plus any per-project plansDirectory targets.
# Count plan files by file count, not by title extraction success.
plan_count=<resolved-plan-file-count>
for f in <resolved-plan-files>; do
  awk '/^# / { sub(/^# /, ""); print; exit }' "$f"
done

ls ~/.claude/skills/ | wc -l       # skills installed / authored
ls ~/.claude/tasks/  | wc -l        # tasks tracked
ls ~/.claude/todos/  | wc -l

2.4b Skill 清单（AI 基础设施采集）

For each ~/.claude/skills/*/SKILL.md and ~/.codex/skills/*/SKILL.md, use the Read tool to inspect the frontmatter (top of file, between --- markers). Extract name and the full description as YAML semantics dictate.

Support all four YAML scalar styles：

停止条件：遇到下一个未缩进的 frontmatter key（行首无空格且形如 key:），或遇到关闭的 --- 行。如果 description 字段缺失，回落到 <目录名> (no description)。

绝不使用 head \| grep —— 那会把 >/\| 多行风格静默截断到只剩 >，这是 v2.2 之前的真实 bug。务必 Read 完整 frontmatter 后按 YAML 语义解析。

枚举候选 skill 目录：

ls -d ~/.claude/skills/*/ ~/.codex/skills/*/ 2>/dev/null

然后对每个目录：Read 它的 SKILL.md 头部 ~30 行 → 按上表解析 YAML → 输出 <source>|<name>|<full_description>。

记录每个 skill 是「自建」还是「安装」。如果 skill 目录下有 git remote 指向用户自己的 repo，标记为自建；否则标记为安装。

2.5 配置深度

Read ~/.claude/settings.json. Count:

• hooks 个数（结构化自动化能力）
• mcpServers 个数（外部能力接入）
• permissions.defaultMode

Step 3 — 读取 Codex CLI 数据 (~/.codex/)

3.1 SQLite (read-only)

The primary analytics store is ~/.codex/state_5.sqlite, table threads. Always open with mode=ro so you can never write:

SQ='sqlite3 file:'"$HOME"'/.codex/state_5.sqlite?mode=ro&immutable=1'

# If WINDOW_REQUESTED=1, compute unix-second bounds once and add the filter to
# every threads query below. For queries that already have WHERE, append `AND`.
FROM_TS=$(date -j -f "%Y-%m-%d" "$REPORT_START" +%s 2>/dev/null || true)
TO_TS=$(date -j -f "%Y-%m-%d" "$REPORT_END_EXCL" +%s 2>/dev/null || true)
# created_at >= FROM_TS AND created_at < TO_TS

# Aggregate
$SQ "SELECT COUNT(*), SUM(tokens_used), MIN(created_at), MAX(created_at) FROM threads;"

# Model breakdown (note: empty/NULL model = older sessions, label as 'Codex (未标注)')
$SQ "SELECT COALESCE(NULLIF(model,''),'Codex(未标注)'), COUNT(*), SUM(tokens_used) \
     FROM threads GROUP BY 1 ORDER BY 3 DESC;"

# Reasoning effort distribution (xhigh / high / medium / low / unspecified)
$SQ "SELECT COALESCE(NULLIF(reasoning_effort,''),'unspecified'), COUNT(*) \
     FROM threads GROUP BY 1 ORDER BY 2 DESC;"

# Top 15 working dirs
$SQ "SELECT cwd, COUNT(*), SUM(tokens_used) FROM threads \
     WHERE cwd != '' GROUP BY cwd ORDER BY 2 DESC LIMIT 15;"

# Hour-of-day heatmap
$SQ "SELECT strftime('%H', datetime(created_at,'unixepoch')), COUNT(*) \
     FROM threads GROUP BY 1 ORDER BY 1;"

# Day-of-activity timeseries
$SQ "SELECT date(created_at,'unixepoch'), COUNT(*) FROM threads GROUP BY 1;"

# Sample titles + first user messages for keyword extraction (titles only — no body)
$SQ "SELECT title FROM threads WHERE title != '' ORDER BY created_at DESC LIMIT 200;"
$SQ "SELECT first_user_message FROM threads WHERE first_user_message != '' \
     ORDER BY created_at DESC LIMIT 200;"

# CLI versions used (Codex evolution signal)
$SQ "SELECT cli_version, COUNT(*) FROM threads WHERE cli_version != '' \
     GROUP BY 1 ORDER BY 2 DESC LIMIT 10;"

# --- 以下为 v2.0 新增查询 ---

# 月度聚合（Evolution 曲线用）
$SQ "SELECT strftime('%Y-%m', datetime(created_at,'unixepoch')), COUNT(*), \
     SUM(tokens_used), COALESCE(NULLIF(model,''),'unknown') \
     FROM threads GROUP BY 1,4 ORDER BY 1,3 DESC;"

# CLI 版本时间线（Evolution 曲线用）
$SQ "SELECT cli_version, MIN(date(created_at,'unixepoch','localtime')), \
     MAX(date(created_at,'unixepoch','localtime')), COUNT(*) \
     FROM threads WHERE cli_version != '' GROUP BY 1 ORDER BY 2;"

# 每项目 token 消耗（双工具编排分析用）
$SQ "SELECT cwd, COALESCE(NULLIF(model,''),'unknown'), COUNT(*), SUM(tokens_used) \
     FROM threads WHERE cwd != '' GROUP BY 1,2 ORDER BY 1,4 DESC;"

3.2 Codex 全局历史

~/.codex/history.jsonl — {session_id, ts, text}. Sample for keywords:

wc -l ~/.codex/history.jsonl                                 # total prompts
jq -r '.text' ~/.codex/history.jsonl | head -300 > /tmp/codex_text.txt   # corpus
jq -r '.session_id' ~/.codex/history.jsonl | sort -u | wc -l # distinct sessions

时间窗口模式下，先按 .ts 过滤再做计数、关键词采样和 distinct sessions：

jq --arg start "$REPORT_START" --arg end "$REPORT_END_EXCL" '
  select((.ts // "")[0:10] >= $start and (.ts // "")[0:10] < $end)
' ~/.codex/history.jsonl

3.3 自研 artifacts

ls ~/.codex/skills/      | wc -l   # codex skills
ls ~/.codex/automations/ | wc -l   # scheduled automations
ls ~/.codex/rules/       | wc -l   # custom rules

Step 3b — 读取 Kiro 数据 (~/.kiro/ + ~/.local/share/kiro-cli/)

Kiro 是 AWS 出的 agentic IDE / CLI（kirodotdev/Kiro）。Kiro CLI 把 ACP session 存到 ~/.kiro/sessions/cli/（每个 session 两个文件：<id>.json 元数据 + <id>.jsonl 事件流），把 token / model / provider 细分存到 ~/.local/share/kiro-cli/data.sqlite3。Steering / Agents / Skills / Prompts 等基础设施在 ~/.kiro/ 下，跟 Claude Code 风格一致。

所有读取必须只读：SQLite 用 mode=ro&immutable=1；JSON / JSONL 只 Read / jq，不要修改。本步骤先检测 ~/.kiro/ 是否存在，不存在直接跳过本节。

3b.1 总量与 token 细分 (SQLite, read-only)

[ -d "$HOME/.kiro" ] || { echo "Kiro not installed; skip Step 3b"; }

KIRO_DB="$HOME/.local/share/kiro-cli/data.sqlite3"
if [ -f "$KIRO_DB" ]; then
  KSQ='sqlite3 file:'"$KIRO_DB"'?mode=ro&immutable=1'

  # 先 dump schema 再决定查询列名 —— Kiro CLI 仍在迭代，表名可能演进
  $KSQ ".schema" | head -80
  $KSQ ".tables"
fi

读 schema 后，按实际表名（常见为 messages / sessions / usage 等） 自适应编写聚合 SQL。期望提取的字段：

降级：如果 schema 找不到 token / model 列，仅按 session 计数即可，并在报告里说明 「Kiro 早期版本未持久化 token 细分，本节按 session 总量给出」。

时间窗口模式下，所有 Kiro SQL 聚合必须按实际 schema 的 created_at / updated_at / timestamp-like 字段过滤到 [REPORT_START, REPORT_END_EXCL)。 如果 schema 没有可靠时间列，只把该表用于 all-time context，不参与月度指标。

3b.2 ACP Session 文件 (JSON + JSONL)

KIRO_SESS="$HOME/.kiro/sessions/cli"
if [ -d "$KIRO_SESS" ]; then
  # session 总数
  ls "$KIRO_SESS"/*.json 2>/dev/null | wc -l

  # 每个 session 抽元数据：cwd、agent、起止时间
  for f in "$KIRO_SESS"/*.json; do
    jq -r '[.cwd // "", .agent // "", .created_at // "", .updated_at // ""] | @tsv' "$f"
  done | sort -u

  # 项目分布（按 cwd 聚合）
  for f in "$KIRO_SESS"/*.json; do
    jq -r '.cwd // empty' "$f"
  done | sort | uniq -c | sort -rn | head -15
fi

*.jsonl 是事件流（user/assistant/tool-call 逐条）。只采样前若干行用于 关键词语料（同 Claude projects/*/*.jsonl 的处理方式），不要把原文写进 report：

for f in "$KIRO_SESS"/*.jsonl; do
  head -50 "$f" | jq -r 'select(.role == "user") | .content // empty' 2>/dev/null
done | head -300 > /tmp/kiro_corpus.txt   # 关键词语料

3b.3 Kiro 基础设施层（agents / skills / steering / prompts / mcp）

跟 Claude / Codex 的 skills 体系一一对应，扫法一致：

# 全局 agents（每个文件是一个 .json，filename 即 agent 名）
ls ~/.kiro/agents/*.json 2>/dev/null | wc -l

# 全局 skills（每个目录一个，含 SKILL.md，frontmatter 同 Agent Skills 标准）
ls -d ~/.kiro/skills/*/ 2>/dev/null

# Steering 文件（项目规范 / 架构决策，markdown）
ls ~/.kiro/steering/*.md 2>/dev/null | wc -l

# Prompts 模板
ls ~/.kiro/prompts/ 2>/dev/null | wc -l

# Settings & MCP
[ -f ~/.kiro/settings/cli.json ] && cat ~/.kiro/settings/cli.json | jq 'keys'
[ -f ~/.kiro/settings/mcp.json ] && cat ~/.kiro/settings/mcp.json | jq '.mcpServers | keys'

对每个 ~/.kiro/skills/*/SKILL.md，沿用 Step 2.4b 的 YAML frontmatter 解析逻辑 （Read 完整 frontmatter，按 > / | / 引号 / 单行四种 scalar 处理）。 Kiro skills 用的就是 Agent Skills 开放标准，跟 Claude / Codex 字段完全相同 （name + description）。

把 ~/.kiro/skills/ 合并进 Step 2.4b 的 skill 总表，新增一列「来源 = Kiro」。

3b.4 Knowledge bases（实验功能，可选）

KIRO_KB="$HOME/.local/share/kiro-cli/knowledge_bases"
if [ -d "$KIRO_KB" ]; then
  ls -d "$KIRO_KB"/*/ 2>/dev/null   # 每个 agent 一个独立 KB
fi

知识库属于「AI 基础设施层」高级信号 —— 用户主动给 agent 喂资料。统计有几个 KB、覆盖哪些 agent 即可，不读 data.json 原文。

3b.5 工作区 .kiro/ 配置（按项目）

对 Step 5 候选目录路径列表里的每个项目根，再检查项目内的 workspace-level Kiro 配置（这往往是用户日常工作的真实证据）：

for path in <candidate-paths>; do
  for kind in agents skills steering prompts; do
    if [ -d "$path/.kiro/$kind" ]; then
      echo "$path::$kind::$(ls "$path/.kiro/$kind" 2>/dev/null | wc -l)"
    fi
  done
done

合并到 6.4 「项目与领域」时，给配置了 .kiro/ 的项目打 Kiro+ 标记。

3b.6 Kiro 数据来源不可读时的诚实声明

如果 Kiro 安装但 data.sqlite3 不存在（用户只用过 IDE 桌面版，未跑 CLI）， 本步骤仅能采集到 Steering / Agents / Skills 配置数，不要编造 session / token 数字。 在最终报告的「Kiro 章节」明确写：「Kiro CLI 数据未生成，本节仅展示 Steering / Agents / Skills 配置；如需完整 session/token 统计请先运行 Kiro CLI。」

Step 3c — 读取 Trae 数据 (~/Library/Application Support/Trae/ + 项目 .trae/)

Trae 是字节跳动出的 AI IDE，基于 VS Code fork（Electron）。chat 对话存在 本地 SQLite（User/workspaceStorage/<hash>/state.vscdb，与 Cursor 同款机制）， 但 token 用量统计走云端 API（query_user_usage_group_by_session）， 本机不持久化。所以本步骤只读两类本地数据：

1. 工作区 state.vscdb 里的 chat 元数据（数量、cwd、关键词）
2. 项目 .trae/ 与 home 配置里的 rules / skills / settings

所有读取必须只读：SQLite 强制 mode=ro&immutable=1；不要触发任何 Trae 进程写操作。先检测目录是否存在，不存在直接跳过本节。

3c.1 工作区数量与项目分布

# macOS 路径（Linux 类似在 ~/.config/Trae/，Windows 在 %APPDATA%\Trae\）
TRAE_BASE="$HOME/Library/Application Support/Trae"
TRAE_WS="$TRAE_BASE/User/workspaceStorage"

[ -d "$TRAE_WS" ] || { echo "Trae not installed or no workspaces; skip Step 3c"; }

# 工作区数（每个 hash 目录 = 一个被打开过的项目）
ls -d "$TRAE_WS"/*/ 2>/dev/null | wc -l

# 每个工作区对应的真实项目路径（workspace.json 里有 folder/uri）
for d in "$TRAE_WS"/*/; do
  if [ -f "$d/workspace.json" ]; then
    jq -r '.folder // .configuration // empty' "$d/workspace.json"
  fi
done | sort -u

3c.2 Chat 元数据（SQLite, read-only）

每个工作区有自己的 state.vscdb；另外 ~/Library/Application Support/Trae/User/globalStorage/state.vscdb 是全局聚合库。Trae 的 chat 表名 / key 前缀 在版本间会变化（早期沿用 VS Code 的 ItemTable，新版本可能新增 Trae 专用表）， 先 dump 一下结构再下查询：

TRAE_GLOBAL="$TRAE_BASE/User/globalStorage/state.vscdb"

if [ -f "$TRAE_GLOBAL" ]; then
  TSQ='sqlite3 file:'"$TRAE_GLOBAL"'?mode=ro&immutable=1'
  $TSQ ".tables"
  $TSQ "SELECT name FROM sqlite_master WHERE type='table';"

  # 常见结构：ItemTable(key TEXT, value BLOB) —— 类 VS Code KV
  # Trae 把 chat 存为 key='trae.chat.*' 或 'composer.*' 形式（版本不同前缀不同）
  $TSQ "SELECT key, length(value) FROM ItemTable \
        WHERE key LIKE '%chat%' OR key LIKE '%conversation%' OR key LIKE '%composer%' \
        ORDER BY length(value) DESC LIMIT 30;" 2>/dev/null
fi

# 工作区级 chat
for d in "$TRAE_WS"/*/; do
  db="$d/state.vscdb"
  [ -f "$db" ] || continue
  ws_chat_keys=$(sqlite3 "file:$db?mode=ro&immutable=1" \
    "SELECT COUNT(*) FROM ItemTable WHERE key LIKE '%chat%' OR key LIKE '%composer%';" 2>/dev/null)
  echo "$(basename "$d") chat_keys=$ws_chat_keys"
done

期望提取：

时间窗口模式下，Trae workspace / chat 只能在存在可靠 timestamp 或文件 mtime 落入窗口时计入窗口活跃。否则只作为「检测到 Trae 配置 / all-time context」展示， 不要计入月度 sessions、active projects 或关键词。

强烈降级提示：

• Trae chat 的 key 格式没有公开稳定文档。如果 LIKE 没匹中任何 row， 老老实实在报告里写「Trae 本地 chat 仅检测到 workspace 数量 N，对话内容 key 命名约定本工具暂不解析」，不要编造 session 数。
• 如果工作区目录为空或 state.vscdb 文件不存在，直接跳过该工作区。

3c.3 Token 用量 —— 仅云端，本地无法读

Trae 的 token / 模型用量走云端 API。第三方工具（如 tokscale）的做法是： 用户先 tokscale trae login，再调 query_user_usage_group_by_session 拉数据 缓存到 ~/.config/tokscale/trae-cache/sessions/*.json。

本 skill 不发起任何网络请求，所以 Trae 的 token 数字无法被采集。 最终报告里诚实写：「Trae 的 token 用量数据由 ByteDance 云端 API 持有， 本 skill 出于『100% 本地 + 只读』原则不接入；如需 Trae token，请使用 tokscale 等第三方工具单独采集后人工补入。」

可选：如果用户已经在 ~/.config/tokscale/trae-cache/sessions/ 里有 导出的 JSON 缓存，可以读它（只读、本地）：

TOKSCALE_TRAE="$HOME/.config/tokscale/trae-cache/sessions"
if [ -d "$TOKSCALE_TRAE" ]; then
  jq -s 'map(.token_count // 0) | add' "$TOKSCALE_TRAE"/*.json 2>/dev/null
  jq -r '.model // empty' "$TOKSCALE_TRAE"/*.json 2>/dev/null | sort | uniq -c
fi

3c.4 项目 .trae/ 配置（rules / skills / .ignore）

跟 Kiro .kiro/、Claude 项目 .claude/ 一样，Trae 在项目内提供 .trae/ 工作区目录。这是「用户给 AI 立规矩」的一手证据。

for path in <candidate-paths>; do
  trae_dir="$path/.trae"
  [ -d "$trae_dir" ] || continue
  echo "$path::trae::rules=$(ls "$trae_dir"/rules/*.md 2>/dev/null | wc -l)::skills=$(ls -d "$trae_dir"/skills/*/ 2>/dev/null | wc -l)::ignore=$([ -f "$trae_dir/.ignore" ] && echo 1 || echo 0)"
done

.trae/rules/*.md 与 .trae/skills/*/SKILL.md 都是 markdown， 继续沿用 Step 2.4b 的 YAML frontmatter 解析逻辑。把它们合并进 6.2 的 「AI 基础设施层」总表，新增一列「来源 = Trae」。

3c.5 Trae 数据缺失时的诚实声明

• ~/Library/Application Support/Trae/ 不存在 → 完全跳过本节
• 存在但工作区 chat key 解析失败 → 仅展示「打开过的项目数 + .trae/ 配置」
• token 数据永远缺失 → 明确写「本地未持有，需经云端 API 拉取，本 skill 不联网」

Step 3d — 读取 Gemini Antigravity 数据 (~/.gemini/antigravity/)

Antigravity is the third local AI tool source. Treat each ~/.gemini/antigravity/brain/<uuid>/ directory as one Antigravity task/session. Only count directories whose basename is a UUID; ignore non-task directories such as tempmediaStorage.

Only read local text data:

• *.metadata.json for artifact metadata and summaries
• task.md, implementation_plan.md, walkthrough.md
• text variants ending in .resolved, .resolved.0, .resolved.1, etc.

Never read for analytics:

• screenshots or images (*.png, *.webp, *.jpg, *.jpeg)
• ~/.gemini/antigravity/annotations/*.pbtxt
• ~/.config/Antigravity/* browser/cache data
• browser profiles or cache directories

AG_BRAIN="$HOME/.gemini/antigravity/brain"
AG_UUID_RE='[0-9a-f]{8}-[0-9a-f]{4}-[0-9a-f]{4}-[0-9a-f]{4}-[0-9a-f]{12}'

# Count Antigravity task/session directories; exclude temp/media helper dirs
find "$AG_BRAIN" -mindepth 1 -maxdepth 1 -type d 2>/dev/null \
  | grep -E "/$AG_UUID_RE$" | wc -l

# Artifact type breakdown from metadata in task/session directories
find "$AG_BRAIN" -mindepth 2 -maxdepth 2 -name '*.metadata.json' -type f 2>/dev/null \
  | grep -E "/$AG_UUID_RE/[^/]+\.metadata\.json$" \
  | xargs -r jq -r '.artifactType // "unknown"' | sort | uniq -c | sort -rn

# Activity by day from metadata updatedAt
find "$AG_BRAIN" -mindepth 2 -maxdepth 2 -name '*.metadata.json' -type f 2>/dev/null \
  | grep -E "/$AG_UUID_RE/[^/]+\.metadata\.json$" \
  | xargs -r jq -r '.updatedAt // empty' \
  | cut -c1-10 | grep -E '^[0-9]{4}-[0-9]{2}-[0-9]{2}$' \
  | sort | uniq -c

# Monthly activity for Evolution curve
find "$AG_BRAIN" -mindepth 2 -maxdepth 2 -name '*.metadata.json' -type f 2>/dev/null \
  | grep -E "/$AG_UUID_RE/[^/]+\.metadata\.json$" \
  | xargs -r jq -r '.updatedAt // empty' \
  | cut -c1-7 | grep -E '^[0-9]{4}-[0-9]{2}$' \
  | sort | uniq -c

# Summaries for topic extraction; do not quote full text in the README
find "$AG_BRAIN" -mindepth 2 -maxdepth 2 -name '*.metadata.json' -type f 2>/dev/null \
  | grep -E "/$AG_UUID_RE/[^/]+\.metadata\.json$" \
  | xargs -r jq -r '.summary // empty' | head -200

# Markdown headings for topic extraction
find "$AG_BRAIN" -mindepth 2 -maxdepth 2 -type f \
  \( -name 'task.md' -o -name 'implementation_plan.md' -o -name 'walkthrough.md' \
     -o -name 'task.md.resolved*' -o -name 'implementation_plan.md.resolved*' \
     -o -name 'walkthrough.md.resolved*' \) 2>/dev/null \
  | grep -E "/$AG_UUID_RE/[^/]+$" \
  | xargs -r grep -hE '^#{1,3} ' | head -200

# Checkbox volume, useful for task/planning depth
find "$AG_BRAIN" -mindepth 2 -maxdepth 2 -type f \
  \( -name 'task.md' -o -name 'implementation_plan.md' -o -name 'walkthrough.md' \
     -o -name 'task.md.resolved*' -o -name 'implementation_plan.md.resolved*' \
     -o -name 'walkthrough.md.resolved*' \) 2>/dev/null \
  | grep -E "/$AG_UUID_RE/[^/]+$" \
  | xargs -r grep -hE '^- \[[ xX/-]\]' | wc -l

# Antigravity text artifact scale. This is NOT billing usage and MUST NOT be
# merged into Claude/Codex token totals.
find "$AG_BRAIN" -mindepth 2 -maxdepth 2 -type f \
  \( -name 'task.md' -o -name 'implementation_plan.md' -o -name 'walkthrough.md' \
     -o -name 'task.md.resolved*' -o -name 'implementation_plan.md.resolved*' \
     -o -name 'walkthrough.md.resolved*' \) 2>/dev/null \
  | grep -E "/$AG_UUID_RE/[^/]+$" \
  | xargs -r wc -l -m \
  | awk '
      $NF != "total" { files++; lines += $1; chars += $2 }
      END {
        printf "antigravity_text_files=%d\n", files + 0
        printf "antigravity_text_lines=%d\n", lines + 0
        printf "antigravity_text_chars=%d\n", chars + 0
        printf "antigravity_estimated_token_equivalent=%d\n", int(chars / 4 + 0.5)
      }'

Compute:

• antigravity_tasks = count of brain/<uuid>/ directories.
• antigravity_artifacts_by_type = counts by artifactType.
• antigravity_active_days = unique dates from valid updatedAt values.
• antigravity_first_active / antigravity_last_active = min/max valid updatedAt dates.
• antigravity_monthly_activity = monthly counts from valid updatedAt values.
• antigravity_topics = metadata summaries + markdown headings + checkbox section labels, used only for keywords and high-level themes.
• antigravity_text_files = count of eligible Antigravity text artifact files.
• antigravity_text_chars = total character count across eligible Antigravity text artifacts.
• antigravity_text_lines = total line count across eligible Antigravity text artifacts.
• antigravity_estimated_token_equivalent = round(antigravity_text_chars / 4) as a rough text-scale proxy only.

时间窗口模式下，Antigravity 只统计 updatedAt、文件 mtime 或可解析 metadata 时间 落入 [REPORT_START, REPORT_END_EXCL) 的 task/artifact。没有可靠时间的 artifact 可以出现在 all-time context 或缺失说明里，不参与月度增量。

Antigravity data does not expose verified billing token counts. Use — in token columns or omit token metrics for Antigravity. If reporting antigravity_estimated_token_equivalent, label it exactly as estimated token-equivalent (non-billing) and keep it outside all real token totals, token economics tables, and billing/paid-token claims.

Step 3e — 读取 Cursor 数据 (~/Library/Application Support/Cursor/ + 项目 .cursor/)

Cursor 是 Anysphere 出的 AI IDE，基于 VS Code fork（Electron），存储模型 跟 Trae / VS Code 同款（User/workspaceStorage/<hash>/state.vscdb 的 ItemTable KV 表，加 User/globalStorage/state.vscdb 全局聚合库）。chat / composer 数据本地完整缓存，但 token 用量统计走云端 dashboard（Cursor Pro 计费 依赖云端），本机不持久化精确 token 数字。所以本步骤只读两类本地数据：

1. 工作区 / 全局 state.vscdb 里的 chat / composer 元数据（数量、cwd、关键词）
2. 项目 .cursor/ 与 home 配置里的 rules / mcp / settings

所有读取必须只读：SQLite 强制 mode=ro&immutable=1；不要触发任何 Cursor 进程写操作。先检测目录是否存在，不存在直接跳过本节。

3e.1 工作区数量与项目分布

# macOS 路径（Linux: ~/.config/Cursor/User/，Windows: %APPDATA%\Cursor\User\）
CURSOR_BASE="$HOME/Library/Application Support/Cursor"
CURSOR_WS="$CURSOR_BASE/User/workspaceStorage"

[ -d "$CURSOR_WS" ] || { echo "Cursor not installed or no workspaces; skip Step 3e"; }

# 工作区数（每个 hash 目录 = 一个被打开过的项目）
ls -d "$CURSOR_WS"/*/ 2>/dev/null | wc -l

# 每个工作区对应的真实项目路径（workspace.json 里有 folder / configuration）
for d in "$CURSOR_WS"/*/; do
  if [ -f "$d/workspace.json" ]; then
    jq -r '.folder // .configuration // empty' "$d/workspace.json"
  fi
done | sort -u

3e.2 Chat / Composer 元数据（SQLite, read-only）

全局聚合库在 User/globalStorage/state.vscdb。Cursor 的 chat / composer key 命名比 Trae 略稳定一些（社区有逆向资料）。优先读取 composer.composerHeaders：它通常是 JSON object，内部 allComposers 数组包含 composer 标题、subtitle、创建/更新时间、workspaceIdentifier、trackedGitRepos、 变更行数等元数据。这些属于「内容线索」但不是完整对话正文，适合用于关键词、 项目分布和 Cursor 协作强度。常见 prefix 还有 composer.*、aiService.*、 workbench.panel.aichat.*、aiCodeBlockDiff.*。但仍然 版本会变化， 必须先 dump 结构再下查询：

CURSOR_GLOBAL="$CURSOR_BASE/User/globalStorage/state.vscdb"

if [ -f "$CURSOR_GLOBAL" ]; then
  sqlite3 "file:$CURSOR_GLOBAL?mode=ro&immutable=1" ".tables"

  # Composer / chat 类 key 排行（按 value 大小，大的通常是真实对话数据）
  sqlite3 "file:$CURSOR_GLOBAL?mode=ro&immutable=1" \
       "SELECT key, length(value) FROM ItemTable \
        WHERE key LIKE 'composer.%' OR key LIKE 'aiService.%' \
           OR key LIKE '%aichat%' OR key LIKE '%aiCodeBlockDiff%' \
        ORDER BY length(value) DESC LIMIT 30;" 2>/dev/null

  # Cursor 新版常见：composer.composerHeaders -> {"allComposers":[...]}。
  sqlite3 "file:$CURSOR_GLOBAL?mode=ro&immutable=1" \
    "SELECT value FROM ItemTable WHERE key = 'composer.composerHeaders';" 2>/dev/null \
    | jq '.allComposers | length' 2>/dev/null

  # 只抽元数据，不输出完整对话正文：name / subtitle / date / workspace /
  # changed lines / tracked repos. Use this as cursor_corpus and project signal.
  sqlite3 "file:$CURSOR_GLOBAL?mode=ro&immutable=1" \
    "SELECT value FROM ItemTable WHERE key = 'composer.composerHeaders';" 2>/dev/null \
    | jq -r '
        (.allComposers // [])[]
        | [
            (.name // ""),
            (.subtitle // ""),
            ((.createdAt // .lastUpdatedAt // 0) / 1000 | strftime("%Y-%m-%d")),
            (.workspaceIdentifier.uri.fsPath // .workspaceIdentifier.uri.path // ""),
            (.totalLinesAdded // 0),
            (.totalLinesRemoved // 0),
            ((.trackedGitRepos // []) | map(.repoPath // empty) | join(","))
          ] | @tsv
      ' 2>/dev/null | head -300

  # Cursor plans/spec-like work, often stored as object keys. Use keys as topic
  # signals only; do not treat them as exact session counts unless schema is clear.
  sqlite3 "file:$CURSOR_GLOBAL?mode=ro&immutable=1" \
    "SELECT value FROM ItemTable WHERE key = 'composer.planRegistry';" 2>/dev/null \
    | jq -r 'if type=="object" then keys[] else empty end' 2>/dev/null | head -200
fi

# 工作区级 chat / composer
for d in "$CURSOR_WS"/*/; do
  db="$d/state.vscdb"
  [ -f "$db" ] || continue
  ws_chat_keys=$(sqlite3 "file:$db?mode=ro&immutable=1" \
    "SELECT COUNT(*) FROM ItemTable WHERE key LIKE 'composer.%' OR key LIKE '%aichat%' OR key LIKE 'aiService.%';" 2>/dev/null)
  echo "$(basename "$d") cursor_chat_keys=$ws_chat_keys"
done

期望提取：

时间窗口模式下，Cursor composer headers 有 createdAt / lastUpdatedAt（通常为 毫秒 epoch）时，按这些字段过滤到 [REPORT_START, REPORT_END_EXCL)；workspace mtime 只能作为弱信号。无法解析时间时，只作为「检测到 Cursor 配置 / all-time context」展示，不参与月度 sessions、active projects 或关键词。

强烈降级提示：跟 Trae 一样，Cursor 内部 key 没有官方稳定文档。如果 LIKE 没匹中任何 row，老老实实写「Cursor 本地仅检测到 workspace 数量 N， chat / composer 内容 key 命名约定本工具暂不解析」，不要编造 session 数。

3e.3 Token 用量 —— 本地部分可见，权威数字仅云端

Cursor Pro 的精确 token 用量在云端 dashboard。本机 ItemTable 里可能含有 部分 token 元数据（比如 aiService.applyAiHistory 等 key 内嵌 JSON 里会有 input/output token 字段），但 schema 不稳定也未公开。

本 skill 的策略：

1. 不发起任何网络请求，云端 dashboard 永远不读。
2. 如果能从 ItemTable 里靠 jq 抽出 token 字段 → 作为参考值展示，明确 注明「Cursor 本地估算 token，非云端 dashboard 计费值」。
3. 抽不出来就老实说「Cursor token 数据由 Anysphere 云端 dashboard 持有， 本 skill 出于『100% 本地 + 只读』原则不接入」。

3e.4 项目 .cursor/ 配置（rules / mcp / ignore）

跟 Kiro .kiro/、Trae .trae/ 一样，Cursor 在项目内提供 .cursor/ 工作区 目录。这是「用户给 AI 立规矩」的一手证据。

for project_path in <candidate-paths>; do
  cursor_dir="$project_path/.cursor"
  [ -d "$cursor_dir" ] || continue
  echo "$project_path::cursor::rules=$(ls "$cursor_dir"/rules/*.{md,mdc} 2>/dev/null | wc -l)::mcp=$([ -f "$cursor_dir/mcp.json" ] && echo 1 || echo 0)::ignore=$([ -f "$cursor_dir/.cursorignore" ] && echo 1 || echo 0)"
done

# 兼容旧版根目录的 .cursorrules 单文件
for project_path in <candidate-paths>; do
  [ -f "$project_path/.cursorrules" ] && echo "$project_path::cursorrules=1"
done

.cursor/rules/*.{md,mdc} 是 markdown / Markdown-with-frontmatter，继续沿用 Step 2.4b 的 YAML frontmatter 解析逻辑。把它们合并进 6.2 的「AI 基础设施层」 总表，新增一列「来源 = Cursor」。

3e.5 Cursor 数据缺失时的诚实声明

• ~/Library/Application Support/Cursor/ 不存在 → 完全跳过 Step 3e
• 存在但 composer.composerHeaders 缺失 → 降级用 composer/chat key 计数与 workspace folder
• 存在但工作区 chat key 解析失败 → 仅展示「打开过的工作区数 + .cursor/ 配置」
• token 数据本地不可信 → 明确写「权威 token 在云端 dashboard，本 skill 不联网； 本地估算仅作参考」

Step 4 — GitHub (via gh)

gh auth status >/dev/null 2>&1 || { echo "gh not auth'd, skipping"; }

If authenticated:

# Default profile mode keeps the existing 365-day GitHub window. Windowed /
# monthly mode uses REPORT_START..REPORT_END_EXCL so GitHub matches local AI
# metrics.
if [ "${WINDOW_REQUESTED:-0}" = "1" ]; then
  GH_FROM="${REPORT_START}T00:00:00Z"
  GH_TO="${REPORT_END_EXCL}T00:00:00Z"
else
  GH_FROM="$(date -u -v -365d +%Y-%m-%dT00:00:00Z)"
  GH_TO="$(date -u +%Y-%m-%dT00:00:00Z)"
fi

# GitHub contributions + top repos in the current report window
gh api graphql -f query='
query($from: DateTime!, $to: DateTime!) {
  viewer {
    login name bio
    contributionsCollection(from: $from, to: $to) {
      totalCommitContributions
      totalPullRequestContributions
      totalIssueContributions
      totalRepositoryContributions
      totalPullRequestReviewContributions
      restrictedContributionsCount
      contributionCalendar { totalContributions
        weeks { contributionDays { date contributionCount } } }
      commitContributionsByRepository(maxRepositories: 25) {
        contributions { totalCount }
        repository { nameWithOwner isPrivate isFork stargazerCount
                     primaryLanguage { name } }
      }
    }
    repositories(first: 1, ownerAffiliations: OWNER) { totalCount }
    pullRequests(first: 1) { totalCount }
    issues(first: 1) { totalCount }
  }
}' -F from="$GH_FROM" -F to="$GH_TO"

Then page through repositories for language bytes (up to 5 pages × 100 repos):

gh api graphql -f query='
query($cursor: String) {
  viewer { repositories(first: 100, after: $cursor, ownerAffiliations: OWNER,
                         isFork: false, orderBy: {field: UPDATED_AT, direction: DESC}) {
    pageInfo { hasNextPage endCursor }
    nodes { nameWithOwner isPrivate stargazerCount
            languages(first: 10, orderBy: {field: SIZE, direction: DESC}) {
              edges { size node { name } } } }
  } } }' -F cursor=""

Aggregate languages by Σ size per language across all repos.

Step 5 — 本地 Git 提交

Build the candidate path set from:

1. Real cwd recovered for each ~/.claude/projects/<encoded>/
2. cwd column from Codex threads table
3. cwd field in Kiro ~/.kiro/sessions/cli/*.json
4. folder field in Trae User/workspaceStorage/*/workspace.json

Dedupe the union before running git checks.

For each path that's a git repo, count the current user's commits in the current report window. Default profile mode uses the past year; monthly/range mode uses REPORT_START..REPORT_END_EXCL:

me=$(git config --global user.email)

if [ "${WINDOW_REQUESTED:-0}" = "1" ]; then
  GIT_SINCE="$REPORT_START 00:00:00"
  GIT_BEFORE="$REPORT_END_EXCL 00:00:00"
else
  GIT_SINCE="1.year.ago"
  GIT_BEFORE="now"
fi

for path in <candidate-paths>; do
  [ -d "$path/.git" ] || continue
  git -C "$path" log --since="$GIT_SINCE" --before="$GIT_BEFORE" --author="$me" \
      --numstat --no-renames --pretty=format:'COMMIT|%H|%aI'
done

Aggregate:

• commits (count of COMMIT| lines)
• additions, deletions (sum the numstat columns)
• last_commit_iso
• Per-extension LOC (count + - per file extension → top 10 languages)

Step 6 — 计算 10 个维度（你做推理，不要写脚本）

If WINDOW_REQUESTED=1, every number in Step 6 is scoped to REPORT_LABEL unless explicitly labeled otherwise. Do not silently fall back to all-time data. If the selected window has no data, generate a short honest report that says the time range has no measurable local activity instead of expanding the window.

For windowed reports, add a "阶段变化" interpretation by comparing the current window with PREV_START..PREV_END_EXCL when enough data exists:

• activity delta: active days, Claude sessions/messages, Codex threads, Antigravity tasks, Kiro sessions, Trae/Cursor workspace signals
• output delta: GitHub contributions, local commits, LOC churn, active repos
• AI investment delta: verified Claude/Codex/Kiro tokens, Claude cache leverage
• mix shift: top tools, top domains, top projects, model migration, command mix
• narrative conclusion: 2-4 bullets answering "这个阶段 AI 编码带来了什么效果 / 发生了什么变化"

If the previous comparison window has no data, use week-by-week or first-half vs second-half changes inside the selected window. If even that is too sparse, state that the report is a snapshot, not a trend.

6.1 一览

• 总活跃天数 = unique union of all dates from dailyActivity (Claude) + Codex by_date + Claude history by_date
  • Kiro by_date (3b.1) + antigravity_active_days (3d) + Trae / Cursor 工作区最后访问日期（如果能从 workspace.json 或 state.vscdb 的 mtime 推断；推不出就略过这两项）
• 跨度 = min..max of those dates
• 总 sessions / 总消息 / claude_spent（Σ input+output+cache_creation） / claude_cache_read / 总 codex threads / codex_tokens / kiro_sessions / kiro_tokens（如果 3b.1 拿到了）/ trae_workspaces / cursor_workspaces + cursor_composer_count / antigravity_tasks（Antigravity task/session 数） —— 这些数字必须出现在「一览」里，缺失项显示 —，不要省略行
• 同期 GitHub: commits, PRs, issues, calendar_total
• 本地 git: commits / +additions / −deletions / repos

If available, include antigravity_text_files, antigravity_text_chars, antigravity_text_lines, and antigravity_estimated_token_equivalent as an Antigravity artifact scale note, not as real token usage.

• Velocity 指标（v2.0 新增）:
  • commits_per_day = git_local_commits / active_days
  • loc_churn_per_day = (additions + deletions) / active_days
  • simultaneous_repos = count of repos with ≥1 commit
  • cross_stack_langs = count of distinct primary languages across repos

6.2 AI-Native 实践（核心章节）

• 多工具 / 多模型编排: 列出每个模型的 spent / cache_read tokens。
  • Claude / Codex / Kiro model breakdown 合并到同一张 token 表（Kiro schema 有 model 列时按 3b.1 抽取）。
  • Trae / Cursor 的 token 数据本地不可信（云端权威），表中标注 「Trae: 云端 only」/「Cursor: 云端权威，本地仅参考」。
  • Gemini Antigravity 的 tasks/artifacts 单列展示，token 不可得时显示 —，不要估算。
  • 总编排维度 = 同时活跃使用的 AI 工具数（Claude / Codex / Kiro / Trae / Antigravity / Cursor 六选 N）。用过 ≥ 3 个工具 → 报告里强调「多引擎 编排者」叙事。
• 高级能力使用: plan-mode 次数、effort 调节次数、skill 调用次数、 自研 skills 数、hooks/MCP 数、plans/tasks 数、automations 数
• Antigravity 任务制协作: antigravity_tasks、artifact type breakdown、 walkthrough / implementation_plan / task artifacts，用来描述「从任务 → 计划 → walkthrough」的交付闭环。
• Prompt caching 熟练度: cache_to_spent_ratio
• Reasoning effort 分布: xhigh/high/medium/low 占比
• AI 基础设施层（v2.0 新增 —— 这是最 AI-native 的信号）: 列出用户亲手构建的 skills / hooks / automations / rules / steering / agents， 每项给 名称 | 一句话描述 | 来源（Claude/Codex/Kiro/Trae）| 调用次数（如可从 history 统计）。 区分「自建」（用户原创）与「安装」（第三方）。 跨工具复用的 skill（同名 SKILL.md 同时出现在 ~/.claude/skills/ 和 ~/.kiro/skills/）单独高亮 —— 这是真正的 AI 基础设施互操作信号。 这一段的叙事重点：不只是 AI 的使用者，更是 AI 工作流的建设者。

6.3 协作风格

• Top 10 slash commands (cmd, count, 简短解读)
• Plan-to-direct ratio = /plan count / non-command prompt count
• 平均消息/session = totalMessages / totalSessions
• 最长 session: 时长(小时) + 消息数
• Session 架构（v2.0 新增）: 从 history.jsonl 中按 sessionId 分组，统计典型 session 内的命令序列模式：
  • 以 /plan 开头的 session 占比 → 说明「先想再做」的习惯有多强
  • session 内使用 /compact 或 /clear 的比例 → 上下文管理意识
  • /effort 在 session 内的切换频率 → 是否按阶段调节推理深度
  • /resume 使用率 = resume_count / totalSessions → session 连续性 用 2-3 句话总结出用户的 session 驾驭模式（例如： 「典型流程：/plan 规划 → 迭代 → /compact 回收上下文 → 继续交付」）

6.4 项目与领域

• 合并维度: each project key (real_cwd) accumulates claude_sessions + codex_threads + kiro_sessions (Step 3b.2) + trae_workspace_hit (0/1，Step 3c.1) + antigravity_tasks (Step 3d) + cursor_workspace_hit (0/1，Step 3e.1) + git_commits + git_lines
• Antigravity 没有可靠 cwd 时，用 metadata summary / markdown headings 提取 topic key；能匹配到已有项目 basename 时并入该项目，否则作为 Antigravity topic bucket。
• 综合分数 = claude_sessions*5 + codex_threads*4 + kiro_sessions*4 + trae_workspace_hit*2 + cursor_workspace_hit*2 + antigravity_tasks*4 + git_commits
• 排序取 Top 12，匿名化为 "项目 A/B/C..."（按分数顺序）
• 多工具编排模式（v2.5 升级 —— Claude + Codex + Kiro + Trae + Antigravity + Cursor）：对每个 Top 12 项目 / topic，按六种工具的活跃度分类：
  • 计算 tools_used = ['claude' if claude_sessions>0, 'codex' if codex_threads>0, 'kiro' if kiro_sessions>0, 'trae' if trae_workspace_hit>0, 'antigravity' if antigravity_tasks>0, 'cursor' if cursor_workspace_hit>0]
  • total_ai_units = claude_sessions + codex_threads + kiro_sessions + trae_workspace_hit + antigravity_tasks + cursor_workspace_hit
  • 当只有 1 个工具：标「<tool> 主导」
  • 2 个工具：标「双引擎（<A>+<B>）」
  • 3 个及以上：标「多引擎（<A>+<B>+<C>...）」
  • 在项目表中新增「编排模式」列
  • 汇总：多引擎项目数 / 双引擎项目数 / 单工具项目数 + 每种主导项目数
  • 如果某个项目有 .kiro/ / .trae/ / .cursor/ workspace 配置 （3b.5 / 3c.4 / 3e.4），在「编排模式」末尾加 [K] / [T] / [Cu] 角标
• 用证据打分给每个项目打领域标签，不要只按第一命中关键词硬归类：
  1. 分类前使用真实项目信号：cwd basename、GitHub repo 描述 / topics / primary language、Codex thread titles、Claude history first prompts、本地文件名提示（如 package.json 依赖、frontend/、apps/web/、api/）。匿名化只发生在最终输出阶段。
  2. 每个领域按命中证据累计分数，选择最高分。若两个领域接近，优先选择更具体的产品领域，而不是泛化到“基础设施 / 部署”。
  3. 不要因为出现 deploy、router、ops、docker 等单个工程词，就把一个有明显用户界面或业务功能的产品项目归到“基础设施 / 部署”。
  4. 只有证据不足或最高分仍很弱时，才归为“其他”，并在叙事里说明分类信号不足。

• 领域分布表的「特征」列必须来自证据，不要即兴编标签：
  • 从该领域 Top 项目的真实 basename / repo topics / primary language / 依赖框架 / 高频 thread title 关键词中抽取 3-6 个短词。
  • 优先保留能说明项目性质的词，如 React、Next.js、dashboard、API、billing、agent、deploy。
  • 过滤泛词：project、repo、test、fix、update、misc、code、task。
  • 如果某领域只有弱证据，写 信号不足，不要补想象中的业务特征。

6.5 兴趣主题 & 关键词

Corpus: 拼接 plan titles + Codex thread titles + first_user_messages

• Antigravity metadata summaries + Antigravity markdown headings
• 部分 history.text。

Tokenize:

• 英文：[A-Za-z][A-Za-z0-9_-]+，小写化，长度 ≥ 2，去停用词
• 中文：抽取 [\u4e00-\u9fff]+ 串，做 2-char 滑窗，每个 chunk 内去重； 过滤明显碎片（如"前项""解当""目了"），过滤含纯停用字的二元

英文停用词（精简）：the, a, an, is, are, of, in, on, for, to, by, from, with, this, that, it, you, we, they, do, does, please, help, use, used, plan, make, get, just, also, will, would, can.

中文停用字：的 了 是 在 和 有 不 就 也 为 以 对 把 被 从 等 都 这 那 个 啊 呢 吧 呀 之 与 或 及 并 要 做 能 会 上 下 里 们 好 之 吗 一 也 就 都 还 到 去 给 跟 向 自 什 么 怎 哪 如 何 因 所 然 后 比 例 而 且 但 不 过 或 还 关 通 基 由 得 着 过 看 想 说 点 种 次 时 年 月 日 中 时 间 现 在.

输出：top 30 keywords，过滤掉只剩 1 出现的，过滤包含纯英文 stop-only 字符的。 用作"标签云"展示：tag1·N　tag2·M　tag3·K。

6.6 节奏

• 24h 热力: 合并 hourCounts (claude) + codex by_hour + history by_hour
  • kiro by_hour (3b.1) + Antigravity updatedAt hour (3d) — Trae / Cursor 本地无可靠时间戳粒度，不并入
• 活跃天数: union of Claude / Codex / Kiro / Antigravity dates；连续活跃 streak = 最长连续 1 天间隔的串
• 峰值日: max 的 dailyActivity.messageCount
• 首次/最近: min/max date

6.7 投入 × 产出

• 每模型 spent / cache_read 表（降级展示：放在折叠区或尾部，不再作为核心亮点）
• GitHub 当前报告窗口贡献日历（求 calendar_total，列出 top 5 高产日）
• Top GitHub 仓库（窗口内 commits 排序；private 仓库改名为 "Private Repo X"；stars 是当前仓库属性）
• 主要语言：merge gh languages.bytes（当前仓库属性）与本地 git numstat ext（窗口内变更）排序
• 产出密度（v2.0 重点，替代原来的 tokens_per_commit）:
  • commits_per_day = git_local_commits / active_days
  • loc_churn_per_day = (additions + deletions) / active_days
  • github_contribs_per_active_day = calendar_total / active_days
  • 贡献爆发日：连续 3+ 天 daily_contributions > 20 的窗口
• 单位投入产出（tokens_per_commit / tokens_per_loc）已迁移到 6.10 Token 经济学，6.7 只讲 GitHub / 仓库 / 语言

6.8 Velocity & Leverage（v2.0 新增 —— AI 让你快了多少、广了多少）

这一维度的目的是回答：如果没有 AI 协作，这种产出可能吗？

计算并叙述：

• 日均产出: commits/day, LOC churn/day, GitHub contributions/day
• 跨栈广度: 同时活跃的仓库数 × 使用的编程语言数。 一个人用 Python + TypeScript + Rust + Go + Shell 跨 13 个仓库日均 10 commit， 这种广度只有 AI 辅助才现实。
• 同时在线项目数: 活跃天数 >= 3 的项目数量
• 开源影响力: 总 stars × repos with stars > 0 → 产出不只是 "量"，还被社区认可
• 用 1-2 句总结性叙事，例如： 「AI 让一个人拥有了小团队的交付能力：13 个仓库、5 门语言、日均 10 commit。」

6.9 Evolution 曲线（v2.0 新增 —— 你的 AI 用法在进化）

目的：把静态快照变成成长叙事。让读者看到 AI 使用的成熟度曲线。

时间窗口模式下，本节改为「阶段 Evolution」：只展示窗口内的周/月变化，并用 上一等长周期作为 baseline（如可用）。不要把全量人生时间线塞进月度报告；全量里程碑 最多放 1 句 context。

数据来源：

• Codex threads 的 created_at + model + cli_version
• Claude history.jsonl 的 timestamp + display（斜杠命令）
• Claude projects/ 目录的 JSONL 文件创建时间
• Antigravity metadata updatedAt + artifactType + summaries

计算：

1. 月度活跃量：每月 Claude sessions + Codex threads
2. 能力解锁时间线（从 history.jsonl 提取各能力的首次使用日期）：
   • 首次 /plan 的日期 → Plan-mode 解锁
   • 首次 /effort 的日期 → Reasoning effort 解锁
   • 首次 /skill-creator 或自研 skill 出现的日期 → Skill 自建解锁
   • 首次 /vibe-forge 或 /ssh-prod 的日期 → 自建 skill 投入生产
   • Codex CLI 版本跳跃点（major version changes）
3. 模型迁移：从 Codex 月度模型聚合中，标出何时从旧模型迁移到新模型

渲染为 timeline 格式：

2026-01  Codex 起步，纯 prompt，CLI 0.81.0-alpha
2026-02  开始日常化，tokens 增长
2026-03  Claude Code 加入 → plan-mode + effort 调节 → 开始自建 skills
2026-04  双工具编排成熟，skills 生态完善，日均 10 commit

6.10 💎 Token 经济学（v2.1 新增 —— 把 token 投入当成"AI 投资"来叙事）

目的：不只展示"用了多少 token"，而是讲清 token 投入怎么花、Cache leverage 多深、模型迁移如何省了成本。把 token 当 AI 时代的"原材料 + 杠杆"来叙事，不是产出的注脚。

数据来源：

• Claude stats-cache.json 的 modelUsage + dailyModelTokens
• Codex sqlite threads 的 tokens_used + 月度聚合（Step 3.1 已查）
• Antigravity contributes activity and workflow metrics only; exclude it from token economics unless a verified token field exists in allowed local text data.

Antigravity estimated token-equivalent (non-billing) is a text-scale proxy from local artifacts. Do not add it to claude_tokens_spent, claude_cache_read, codex_tokens, total token-through, cache leverage, paid/new token totals, or per-model token tables. It may appear only in an Antigravity/local-artifact subsection or a clearly labeled footnote.

计算：

1. 总投入 = claude_spent + codex_tokens（新付费 token 总量）
2. 总杠杆 = claude_cache_read（缓存复用 token 总量）
3. Cache leverage 倍率 = claude_cache_read / claude_spent（每 1 个新 token 撬动几个缓存 token）
4. 每模型占比 = model.spent / Σ all_models.spent（Claude 与 Codex 合在一起算）
5. 每模型 leverage = model.cache_read / model.spent（哪个模型 caching 习惯最熟）
6. 月度 token 趋势 = dailyModelTokens + Codex 月度聚合按月汇总，找增长拐点
7. 模型迁移注解 = 比较相邻两个月每模型 spent 增减，识别"萎缩-接管"事件 （例如 <YYYY-MM>: Opus 4.6 spent ↓ 40%，Sonnet 4.6 spent ↑ 60%）
8. 单位投入产出（从原 6.7 移过来，仅参考）= claude_spent / git_commits 与 claude_spent / (additions + deletions)

叙事重点：

• 一句话开场：「 新付费 token 撬动 缓存复用，杠杆比 1 : 」
• 月度趋势用文字 sparkline 或表格
• 模型迁移注解：哪些月份发生了什么、为什么省/费 token
• 单位投入产出标注为"参考"，提醒不要当 KPI

时间窗口模式下，Token 经济学只统计窗口内 verified token。Claude 只能从 dailyModelTokens 等可按日切分的数据汇总；Codex / Kiro 通过 timestamp SQL 过滤； Trae / Cursor 云端 token 仍不读取；Antigravity text-scale 仍是 non-billing context， 不进入 token totals。

Step 7 — 隐私脱敏（默认开）

Before writing the README, scan all string fields for these regex and replace with <REDACTED:type>:

Project name handling (anonymize=on):

• For every real project path you discovered, allocate a stable label 项目 A/B/C/... in descending order of comprehensive score (Step 6.4)
• Use the label everywhere the project would otherwise appear by name
• For private GitHub repos, use Private Repo X
• File paths: only show basename, never the absolute path

If user said "show real names" / "私人版":

• Skip the anonymization step (still scrub secrets)
• Keep tokens / keys redaction always on

Step 8 — 渲染最终 Markdown

Choose the profile language before writing:

• 用户用中文问或未指定语言 → output/profile_<YYYYMMDD>.md，使用中文叙事
• 用户用英文问或明确要求 English / EN → output/profile_<YYYYMMDD>_en.md，使用英文叙事
• 用户要求 both / bilingual / 两个都要 → 两份都生成

If WINDOW_REQUESTED=1, include the window slug in filenames to avoid overwriting a same-day default profile:

• Chinese/default: output/profile_<REPORT_SLUG>_<YYYYMMDD>.md
• English: output/profile_<REPORT_SLUG>_<YYYYMMDD>_en.md
• Private: output/profile_<REPORT_SLUG>_<YYYYMMDD>_private.md

The poster is part of the default deliverable, not an optional nice-to-have: after writing the Markdown profile, always run Step 8b and produce the matching output/poster_<...>_<lang>.svg unless the user explicitly says "不要海报" / "markdown only" / "no poster". Do not finish with only the Markdown profile in the normal path.

Use exactly this structure. For English output, translate headings and prose to English following examples/profile_20260508_en.md; for Chinese output, use the structure below. Technical terms stay in English in both versions. 讲故事优先于堆数据； 展示「因为 AI 而不同」，而不仅仅是「用了很多 AI」：

# <name or github_login> · AI-Native Developer Profile
> 基于 <report_label or span_days> 的本地 Claude Code + Codex + Antigravity 数据自动生成 · <generated_at>
> _个人理念：<github bio if available>_

---

## 一览

- 分析范围：**<REPORT_LABEL or span_days>**（<REPORT_START> 至 <REPORT_END_EXCL 前一天>，指定窗口报告才显示）
- 在 **<active_days>** 个活跃日里完成 **<claude_sessions>** 次 Claude sessions + **<codex_threads>** 次 Codex threads + **<antigravity_tasks>** 次 Antigravity tasks，共 **<total_messages>** 条 Claude/Codex 消息
- 日均产出：**<commits_per_day>** commits / **<loc_churn_per_day>** 行代码变动 / **<github_contribs_per_day>** GitHub contributions
- 同时维护 **<git_repos>** 个仓库，横跨 **<cross_stack_langs>** 门语言
- 同期 GitHub：**<github_commits>** commits / **<github_prs>** PRs / **<github_issues>** issues / **<calendar_total>** 总贡献
- AI 投入：**<claude_spent>** Claude 新付费 token + **<codex_tokens>** Codex token；复用 **<claude_cache_read>** 缓存（占 Claude I/O **<cache_pct>%**）
- 主力工具：Claude Code (Opus / Sonnet) + Codex CLI (GPT) + Gemini Antigravity + Cursor

## 📈 阶段变化（仅指定月份 / 时间范围时插入）

> <2-3 句说明这个阶段相对上一等长周期或窗口内部前后半段的变化。若无 baseline，明确写「暂无可比基线，本节为阶段快照」。>

| 指标 | 本期 | 上期 / 前半段 | 变化 |
| --- | ---: | ---: | ---: |
| 活跃天数 | <n> | <n> | <+/-n> |
| Claude sessions | <n> | <n> | <+/-n%> |
| Codex threads | <n> | <n> | <+/-n%> |
| Verified AI tokens | <n> | <n> | <+/-n%> |
| GitHub contributions | <n> | <n> | <+/-n%> |
| Local commits | <n> | <n> | <+/-n%> |

- <变化结论 1：AI 编码效率 / 工具组合 / 项目重心>
- <变化结论 2：token 投入与产出关系>
- <变化结论 3：下一阶段值得延续或调整的做法>

## 🚀 Velocity & Leverage — AI 让一个人拥有了小团队的交付能力

> <1-2 句叙事，例如：「13 个仓库、5 门语言、日均 10 commit —— 这种跨栈广度和交付密度，只有 AI 协作才现实。」>

| 指标 | 数值 | 说明 |
| --- | ---: | --- |
| 日均 commits | <n> | 本地 git commits / 活跃天数 |
| 日均代码变动 | <n> 行 | (additions + deletions) / 活跃天数 |
| 同时维护仓库 | <n> 个 | 当前报告窗口内有 commit 的仓库数 |
| 跨栈语言 | <n> 门 | Python / TypeScript / Rust / Go / … |
| GitHub 贡献爆发 | <dates> | 连续 3+ 天 daily > 20 的窗口 |
| 开源影响力 | <total_stars> stars | 跨 <n> 个被 star 的仓库 |

## 🤖 AI-Native 实践

> 不是「偶尔问问 AI」，是把多 LLM 编排、planning、structured workflows 都跑通。

### 多模型编排
| 工具 / 模型 | sessions / threads / tasks | spent tokens | cache-read | 用途倾向 |
| --- | ---: | ---: | ---: | --- |
| Claude Opus / Sonnet | … | … | … | 深度推理、复杂规划、代码修改 |
| GPT (Codex CLI) | … | … | — | 第二意见、跨工具诊断、命令行实现 |
| Gemini Antigravity | <antigravity_tasks> | — | — | 任务制规划、walkthrough、UI/实现闭环 |
| Cursor | <cursor_composer_count> composers / <cursor_workspaces> workspaces | — | — | IDE 内联编辑、composer/spec、项目级上下文 |
| … | | | | |

### 高级能力深度使用
- **Plan-mode**: **<n>** 次
- **Effort 调节**: **<n>** 次
- **Skills**: 共 **<n>** 个（Claude <n> + Codex <m>）
- **Plans**: **<n>** 份；Tasks: **<n>** 个
- **Hooks**: **<n>** 个；Automations: **<n>** 个
- **Antigravity**: **<antigravity_tasks>** tasks；Artifacts: <artifact_type_breakdown>

### Prompt caching 熟练度
每花费 1 个新 token，复用 **<ratio>** 个缓存 token（cache-read 占总 IO 的 **<%>**）。

### Reasoning effort 偏好
xhigh **<n>**（**<%>**）· high **<n>** · medium **<n>** · low **<n>**

## 🔧 AI 基础设施 — 不只用 AI，还在给 AI 造工具

> <1 句叙事：「从 skill 到 hook 到 automation，我在构建让 AI 更好地帮我工作的基础设施。」>

### 自建 Skills
| 名称 | 描述 | 调用次数 | 工具 |
| --- | --- | ---: | --- |
| <skill_name> | <一句话> | <n> | Claude / Codex |
| … | | | |

### 安装的 Skills
| 名称 | 描述 | 工具 |
| --- | --- | --- |
| … | | |

### 其他基础设施
- Hooks: <列出>
- Codex automations: <列出>
- Codex rules: <列出>

## 🛠️ AI 协作风格

### 最常用的 slash 命令 Top 10
| # | 命令 | 次数 | 含义 |
| --- | --- | ---: | --- |
| 1 | /effort | <n> | 切换推理深度 |
| 2 | … | … | … |

### Session 架构
<2-3 句描述用户的 session 驾驭模式，例如：>
- 典型流程：`/plan` 规划 → 深度迭代 → `/compact` 回收上下文 → 继续交付
- **<n>%** 的 session 以 `/plan` 开头（先想再做）
- **<n>%** 的 session 使用过 `/compact` 或 `/clear`（主动管理上下文）
- `/resume` 恢复率: **<n>%**（session 连续性）
- 平均会话深度: **<n>** 条消息 / session
- 最长 session: **<hours>** 小时 / **<msgs>** 条消息

## 📂 项目与领域分布

跨 **<n>** 个项目活跃，按领域分布：

| 领域 | 项目数 | 特征 |
| --- | ---: | --- |
| 产品 / 业务前端 | <n> | React、dashboard、管理台 |
| … | … | … |

### Top 项目（脱敏）
| 项目 | Claude | Codex | Antigravity | Cursor | Git commits | 编排模式 | 领域 |
| --- | ---: | ---: | ---: | ---: | ---: | --- | --- |
| 项目 A | <n> | <n> | <n> | <n> | <n> | 多引擎 | … |
| 项目 B | <n> | <n> | <n> | <n> | <n> | Cursor+Codex | … |
| … | | | | | | |

编排模式统计：多引擎 **<n>** 个 · 双引擎 **<n>** 个 · Claude 主导 **<n>** 个 · Codex 主导 **<n>** 个 · Antigravity 主导 **<n>** 个 · Cursor 主导 **<n>** 个

## 🧬 Evolution 曲线 — AI 用法在进化

<里程碑事件> <里程碑事件> <里程碑事件> <里程碑事件>

月度活跃趋势：
| 月份 | Claude sessions | Codex threads | Antigravity tasks | 里程碑 |
| --- | ---: | ---: | ---: | --- |
| … | | | | |

## 💡 兴趣主题 & 关键词

> **<tag1>** · <tag2> · <tag3> · … （top 25，已过滤停用词）

## ⏱️ 工作节奏

### 24 小时活跃热力图

00 … 01 … …

（峰值时段 / 活跃模式描述）

### 时间跨度
- 首次 / 最近活跃: …
- 活跃天数 / 最长连续 / 单日峰值: …

## 💎 Token 经济学

> 一句叙事开场：「**<spent_tokens>** 新付费 token 撬动 **<cache_read>** 缓存复用，杠杆比 **1 : <leverage>**；总通过我手里 **<total_tokens>** token。」

### 每模型 token 明细（按 spent 排序）
| 模型 | spent | cache-read | leverage | 占总 spent |
| --- | ---: | ---: | ---: | ---: |
| Claude Opus 4.6 | … | … | …× | …% |
| Claude Sonnet 4.6 | … | … | …× | …% |
| Claude Haiku 4.5 | … | … | …× | …% |
| GPT-5.4 (Codex) | … | — | — | …% |
| … | | | | |

### 月度 token 趋势
| 月份 | Claude spent | Claude cache | Codex tokens | 主力模型 | 注解 |
| --- | ---: | ---: | ---: | --- | --- |
| <YYYY-MM> | <n> | <n> | <n> | <model> | <事件 / 迁移> |

### 模型迁移注解
- <YYYY-MM>: <模型 A 萎缩 −X%>，<模型 B 接管 +Y%>，<推测原因>
- …

### 单位投入产出（仅参考，勿当 KPI）
- 每 commit ≈ **<n>** Claude tokens（仅 spent，不含 cache 与 Codex）
- 每行代码 ≈ **<n>** Claude tokens
> 提醒：AI 产出还包含大量不直接转化为 commit 的高价值劳动（架构 review / 数据清洗 / plan 推演 / skill 重构）。把"每 commit X tokens"当 KPI 是反激励。

## 💰 产出 & 投入

### GitHub 同期产出
- <REPORT_LABEL or 默认365天> 总贡献: **<n>** · 拥有仓库: **<n>**
- 最高产单日: <top 5 dates>

#### Top 仓库
| 仓库 | language | commits | stars |
| --- | --- | ---: | ---: |
| … | | | |

### 主要语言
<语言列表>

## 📊 数据来源 & 隐私承诺

- 数据 100% 本地：`~/.claude/*` + 项目 `.claude/plans`（如配置）+ `~/.codex/*`
  + `~/.kiro/*` + `~/.local/share/kiro-cli/*` + `~/Library/Application Support/Trae/*`
  + `~/Library/Application Support/Cursor/*` + `~/.gemini/antigravity/brain/*`
  + 项目 `.kiro/`、`.trae/`、`.cursor/`、`.cursorrules` + 本地 `git log`
  + GitHub via `gh`
- Claude plans 同时覆盖默认 `~/.claude/plans` 与 settings 中解析出的 `plansDirectory`
- Kiro / Trae / Antigravity / Cursor 数据自动检测，未安装的工具静默跳过；
  Trae token 由 ByteDance 云端 API 持有、Cursor token 由 Anysphere 云端
  dashboard 持有，本 skill 不联网，这两项默认仅本地估算
- 对话正文仅用于关键词与协作风格分析，原文不会出现在报告中；Antigravity 只
  读取 metadata summary 与 markdown headings/checkbox，不读取截图、浏览器
  cache 或 pbtxt annotations
- 指定月份 / 时间范围时，所有可过滤数据均按 `[REPORT_START, REPORT_END_EXCL)`
  统计；无法按窗口切分的数据只作为 all-time context 或降级说明
- 项目名已匿名，API key / token / 邮箱 已正则清洗
- 报告由 Claude Code / Codex / Kiro / Trae / Antigravity / Cursor 本地数据
  按 Readme.skill 自动生成，可重复运行
- 生成时间: **<ISO timestamp>**

Step 8b — 海报渲染（默认必选）

在 markdown profile 完成后，默认必须再渲染 SVG 海报到 output/poster_<YYYYMMDD>_<lang>.svg（例如 _zh.svg / _en.svg）。如果 WINDOW_REQUESTED=1，文件名改为 output/poster_<REPORT_SLUG>_<YYYYMMDD>_<lang>.svg，海报主标题和 6 个 hero 数字必须基于该窗口而非全量历史。只有用户明确说"不要海报" / "只要 markdown" / "no poster" 时才跳过本步骤。

设计原则（来自 v2.4 brief，由 Codex 审校）

1. 3 秒看懂身份 + 6 个可信数字 —— 视觉冲击不靠堆渐变，靠选对 6 个英雄数字。读者扫一眼就知道你是谁、做了什么
2. 避免 emoji —— 跨平台字体不一致；emoji 在 svg 里渲染常变方块或被字体替换
3. 字体用 system-ui fallback —— 用 font-family="system-ui, -apple-system, BlinkMacSystemFont, 'Segoe UI', Roboto, sans-serif"，不内嵌字体
4. hero 数字必须有证据 —— 全部来自前面 10 维度的已算量，缺数据降级显示 —，不补想象指标
5. SVG 是源图，不是社媒直发 —— 在 README / 终端总结里同步给出 PNG 转换命令
6. 生成后必须可解析 —— SVG 是 XML；只要浏览器顶部出现 XML error，就等于海报没有成功生成

标准布局（1080×1920 竖屏）

6 个 hero 数字推荐（按显眼度排序）

任一项缺数据时，替换为：总 AI units（<claude_sessions> + <codex_threads> + <antigravity_tasks>）/ 自建 skills 数 / Antigravity artifacts 数 / 单日峰值消息数。

副信息卡（左右两栏）

• 左：Cache leverage 排行（top 3 模型，从 Token 经济学）
• 右：Top slash 命令（top 3，从协作风格）

颜色方案

• 背景渐变：深紫 #0c0a1f → 中紫 #1a1442 → 深绿 #0d2e1f
• 强调渐变：Claude 紫 #8b5cf6 → Codex 绿 #10b981
• 文字层次：纯白 / 50% 透明度 / 25% 透明度（建立视觉重要性）

实现细节

• 用纯 SVG 文本字符串（无外部资源、无嵌入字体、无 base64 图片）
• 直接写 .svg 文件内容，不要包在 markdown 代码块里，不要在文件开头/结尾写解释文字；第一个非空字符必须是 <，最后必须正常闭合 </svg>
• <linearGradient> 定义在 <defs>，fill="url(#bg)" 引用
• 卡片用 <rect rx="20"> 圆角；分隔线用 <line stroke-opacity="0.1">
• letter-spacing 在英文标签上加 2-6px 提升设计感
• 所有写入 <text>、属性值、<title> 的动态文本都必须先做 XML escaping：
  • & → &（必须先替换）
  • < → <
  • > → >
  • " → "（属性值里必须）
  • ' → '（属性值里必须）
• Standalone SVG 只安全使用上面 5 个 XML 预定义实体；不要写  、© 等 HTML 实体
• 常见会炸浏览器的文本必须转义，例如 War & Peace 要写成 War & Peace，A < B 要写成 A < B
• 动态数据不要用于 id、gradient id、filter id 或 url(#...) 引用；这些标识符保持静态 ASCII，避免空格、中文或特殊字符破坏引用
• 长文案先截断 / 换行，再 escape；不要靠浏览器自动换行，也不要生成未闭合的 <text> / <tspan>

生成后强制验证

写完 SVG 后必须做 XML 解析校验。校验失败时，立即修复或重写 SVG 并重新校验； 不得在校验失败时告诉用户 "Poster generated"。

POSTER_PATH="output/poster_<YYYYMMDD>_<lang>.svg"  # 按实际文件名替换
python3 - "$POSTER_PATH" <<'PY'
import sys
import xml.etree.ElementTree as ET

path = sys.argv[1]
tree = ET.parse(path)
root = tree.getroot()
if root.tag not in ("svg", "{http://www.w3.org/2000/svg}svg"):
    raise SystemExit(f"not an SVG root: {root.tag}")
view_box = root.attrib.get("viewBox", "")
if view_box != "0 0 1080 1920":
    raise SystemExit(f"unexpected viewBox: {view_box!r}")
print(f"SVG XML OK: {path}")
PY

if command -v rsvg-convert >/dev/null 2>&1; then
  rsvg-convert -h 1920 "$POSTER_PATH" >/tmp/readme-skill-poster-smoke.png
fi

语言决定（中文 / 英文双版本）

海报有中英两个版本。决定哪种：

1. 默认看用户当次提问的语言：
   • 用户用中文问 → 输出 output/poster_<DATE>_zh.svg
   • 用户用英文问 → 输出 output/poster_<DATE>_en.svg
2. 明确指定: 用户说 "中文版" / "Chinese poster" / "English version" / "EN" / "ZH" 时按指定语言生成
3. 双语: 用户说 "两个都要" / "both" / "bilingual" 时，两份都生成

翻译规则 — 哪些翻译，哪些保留英文

保留英文不翻译（中英版都用英文，因为这是行业标准术语 / 设计感词）：

• 技术术语：token / tokens / through / cache / leverage / commits / stars / repos / langs / days / active / models / sessions / threads
• 模型名：Opus / Sonnet / Haiku / GPT-5.4 / GPT-5.5 等
• Slash 命令：/effort / /usage / /plan / /compact 等
• 仓库名 / 用户名 / GitHub / Readme.skill / 版本号
• 大写 letter-spaced 标签（卡片标签如 LOCAL COMMITS / TOKENS THROUGH / EVOLUTION） —— 设计语言，两版都用英文

翻译的部分（中英文版差异点）：

链式传播 3 件套（v2.4 链式传播版）

为了让海报有"想转发、想晒、看到的人想自己也来一份"的传播力，海报必须包含以下 3 件套：

A. AI 自评金句（双行 44-50px 大字标题）

不是堆数据，而是让 AI 看了用户数据后，写一段有破圈传播力的评语作为海报副标题。默认用 Tone A（反差数字 + 通俗类比）—— 把 token 量换算成"等于 N 遍世界名著"，让圈外人 3 秒被震撼。

Tone A（默认，最破圈）：反差数字 + 通俗类比 ⭐

把 total_through（spent + cache_read）换算成大众能感知的「读了 N 遍《红楼梦》/ N 倍 War & Peace」。

换算公式：

• chinese_chars ≈ total_through × 0.7（1 token ≈ 0.7 个汉字）
• dhm_count ≈ chinese_chars / 730_000（《红楼梦》约 73 万字）
• english_words ≈ total_through × 0.75（1 token ≈ 0.75 个英文 word）
• wap_count ≈ english_words / 587_000（War & Peace 约 58.7 万 words）

样例（基于 12.9B token through 的 demo）：

• 中：「 天，我和 AI 写下 亿字 / 等于把《红楼梦》写了 万遍」
  • 实填：117 天，我和 AI 写下 120 亿字 / 等于把《红楼梦》写了 1 万遍
• 英 SVG text：「 days · tokens with AI / That's War & Peace × times」
  • 实填到 SVG 时：117 days · 12.9B tokens with AI / That's War & Peace × 25,000 times

为什么 Tone A 优先：12.9B 这种数字对圈外人是抽象的；红楼梦/War & Peace 任何受过教育的人都立刻有量感。这是从「圈内炫耀」变「破圈震撼」的关键。

Tone B-F（备选，仅当 Tone A 数据真撑不起 或 用户明确要求其他 tone 时启用）

规则：

1. 必须基于真实数据画像，禁止编造 —— 数据不支持的金句不要写
2. 默认 Tone A：除非 total_through < 1B（数字撑不起类比），否则永远先用 Tone A
3. 中文版每行 ≤ 16 字、英文版每行 ≤ 38 chars，保证视觉冲击
4. 第二行用 fill="url(#accent)" 渐变色填充，制造视觉重音（"红楼梦"那行用渐变）
5. 金句下面跟一行 monospace 数据浓缩：<X> tokens · <Y>× cache · <Z> skills · <N> langs

B. 身份徽章（顶部 4 胶囊带）

基于数据自动判定徽章。每个用户最多展示 4 个最强徽章（按下表优先级取前 4）：

视觉：圆角胶囊 235×60 (rx=30)，1.5px accent 渐变描边，文字 17px letter-spaced 1.5。 4 个胶囊一行排列，gap 25px，左 60px 起。徽章文字两版一致（都用英文，都是设计语言）。

C. 30 秒安装 CTA（底部，不放二维码）

替代单纯 footer，给一个行动召唤区。看到海报的人能直接看到 install 命令。设计：

• 顶部分隔线（1px white 15% opacity）
• 大字标题 24-26px letter-spaced：GENERATE YOURS IN 30 SECONDS（两版都英文，保持设计感）
• 两行 monospace 命令（第二行用 fill="url(#accent)" 突出）：
  • /plugin marketplace add study8677/Readme.skill
  • /plugin install readme-skill@study8677
• 短分隔线
• 仓库 URL：github.com/study8677/Readme.skill（letter-spaced 2px，20px）
• 底部脱敏小字：LOCAL-ONLY · ANONYMIZED · v<version> · <date>（13px，30% opacity）

为什么不放二维码：QR 在小屏幕扫描成功率低；让人看到命令直接复制粘贴更可控；保持视觉简洁。让"想生成自己的"的人主动去 google 搜 repo，反而过滤出真正动机强的种子用户。

参考样板

• 中文版: examples/example_poster_zh.svg
• 英文版: examples/example_poster_en.svg

两份对照来看一下"哪些翻译、哪些保留"的具体边界，以及徽章 + 金句 + CTA 在 SVG 里的实现方式。 优先复用对应样板的 SVG 骨架，只替换已计算且已 escape 的数字和文案；不要自由重写 XML 结构，除非样板结构无法表达当前数据。

Step 9 — 输出与交接

先确定并复用同一组实际输出路径：

• profile_path: 对应语言的 output/profile_<YYYYMMDD>.md 或 output/profile_<YYYYMMDD>_en.md
• poster_path: 对应语言的 output/poster_<YYYYMMDD>_<lang>.svg
• 指定窗口时，分别使用 output/profile_<REPORT_SLUG>_<YYYYMMDD>... 与 output/poster_<REPORT_SLUG>_<YYYYMMDD>_<lang>.svg

把 Markdown 写入 profile_path，把 SVG 写入 poster_path 并完成 Step 8b 校验， 然后给用户一句话总结： 下面的 <profile_path> / <poster_path> 是占位符，输出时必须替换为真实文件路径， 不要原样输出尖括号占位符。

✅ Profile generated: <profile_path>
🎨 Poster:    <poster_path>
验证：SVG XML OK
关键数字：<claude_sessions> Claude sessions / <codex_threads> Codex threads / <antigravity_tasks> Antigravity tasks / <tokens> tokens / <github_commits> commits
分析范围：<REPORT_LABEL>（指定窗口时显示）
预览：head -40 <profile_path>
预览海报：open <poster_path>
转 PNG：rsvg-convert -h 1920 <poster_path> > poster.png
       (或 chromium --headless --screenshot=poster.png --window-size=1080,1920 <poster_path>)

如果用户要求"私人版"，再生成一份 output/profile_<YYYYMMDD>_private.md （指定窗口时为 output/profile_<REPORT_SLUG>_<YYYYMMDD>_private.md） 跳过项目匿名（仍然 scrub 密钥与邮箱）。

数据缺失时的降级策略

一些务必遵守的红线

• 可以读取 ~/.claude/projects/*/<id>.jsonl、~/.kiro/sessions/cli/*.jsonl、 Trae state.vscdb 的 chat 字段、Cursor state.vscdb 的 composer/aiService 字段、Antigravity brain/<uuid>/*.metadata.json 与 markdown 文本，用于 关键词提取、协作风格、Session 架构等深度分析（Step 6.3 / 6.5 受益）；但 不要把任何对话原文一字不差地写进 README——脱敏后的统计、概括、片段化 关键词可以
• 永远不要 联网（除 gh 调用 GitHub 自身）。这意味着 Trae / Cursor 的 云端 token API 永远不可调用；如需 Trae token，仅读取用户自己 tokscale 缓存
• 永远不要 修改 ~/.claude、~/.codex、~/.kiro、~/.local/share/kiro-cli、 ~/Library/Application Support/Trae、~/Library/Application Support/Cursor、 ~/.gemini/antigravity 下任何文件。所有 SQLite 必须 mode=ro&immutable=1 打开
• Antigravity 只允许读取 ~/.gemini/antigravity/brain/* 下的 metadata 与 markdown 文本；不要读取 screenshots、pbtxt annotations、~/.config/Antigravity cache，且不要 OCR 图片
• 永远不要 写脚本替代本指令；本 skill 的本质就是让 agent 自己读、自己算、自己写
• 指定小时间窗口时，再识别风险会变高：分享版仍然不要输出原始 prompt、 commit subject、绝对路径、私有仓名、唯一请求 ID 或可反查的精确业务细节。 GitHub repo stars / language 是当前仓库属性，不是历史窗口属性；如果展示它们， 标注为「当前仓库属性」。

参考样板（外形上对标这些 skill）

• ~/.claude/skills/deploy/SKILL.md — 编号步骤 + bash 示例的简洁风格
• ~/.claude/skills/ops-report/ — 只读 sqlite 查询的范式
• ~/.claude/skills/log-patrol/ — 跨数据源汇总并出表格的范式