AI 对话自我洞察分析器（AI Self-Insight Analyzer）

> 核心理念：你与 AI 的每一次对话，都是一面映照内心的镜子。

> 通过系统分析你的提问模式、决策风格、关注领域和思维习惯，

> 帮你看见"日用而不知"的自己。

触发条件

当用户提出以下类型的请求时激活此 skill：

• "分析我的 AI 对话记录"
• "我有什么思维盲区"
• "从对话中帮我做自我分析"
• "我的 MBTI/人格是什么"
• "最近我的核心矛盾是什么"
• "帮我构建认知地图"
• "做一次自我洞察"

数据源

支持的本地数据源

数据读取方法

Claude Code

# 列出所有 Claude Code 对话会话
find ~/.claude/projects -name "*.jsonl" -type f

# 读取单个会话（每行一个 JSON 对象）
# type 字段值：user / assistant / system / attachment / file-history-snapshot / permission-mode / last-prompt
# 关键字段：
#   - type=user → message.role="user", message.content=[{type:"text", text:"..."}]
#   - type=assistant → message.role="assistant", message.content=[...]
#   - timestamp, sessionId, cwd, gitBranch

GitHub Copilot CLI

-- 查询所有会话
SELECT id, cwd, repository, branch, summary, created_at FROM sessions ORDER BY created_at DESC;

-- 查询对话内容
SELECT s.id, s.summary, t.turn_index, t.user_message, t.assistant_response, t.timestamp
FROM turns t JOIN sessions s ON t.session_id = s.id
ORDER BY t.timestamp;

-- 全文搜索
SELECT content, session_id, source_type FROM search_index WHERE search_index MATCH 'query';

分析流程

Step 1: 数据采集与归一化

1. 读取所有可用数据源
2. 转换为统一格式：

{
  "source": "claude-code | copilot-cli",
  "session_id": "xxx",
  "project": "/path/to/project",
  "timestamp": "ISO8601",
  "turns": [
    { "role": "user", "content": "...", "ts": "..." },
    { "role": "assistant", "content": "...", "ts": "..." }
  ]
}

Step 2: 数据预处理（去噪 + 压缩）

去噪规则：

• 剥离 assistant 回复中的大段代码块（只保留文字解释）
• 去掉 tool_use / tool_result 的技术细节
• 去掉重复的系统提示和 permission-mode 消息
• 保留：用户完整输入 + assistant 的文字回复摘要

数据量判断：

• < 100K tokens → 直接进入分析（fast path）
• > 100K tokens → 进入 Map-Reduce 模式

Step 3: Map 阶段（仅大数据量时）

对每个 session 独立提取：

• 话题分类（工作/学习/生活/决策/创意/情绪）
• 用户提问风格（开放式/封闭式/指令式/探索式）
• 关键决策和取舍
• 情绪基调
• 特殊模式（反复修改、犹豫不决、快速推进等）

Step 4: Reduce 分析阶段

参考 references/analysis-framework.md 中的完整方法论，生成多维度分析。

Step 5: 报告生成

按照 references/output-template.md 的结构输出报告，存入用户指定目录或当前工作目录。

Step 6: 苏格拉底式追问

基于分析结果，参考 references/socratic-prompting.md 向用户发起反思性追问。

分析准则（强制遵循）

1. 证据驱动 — 每个结论必须引用至少 2 条具体对话证据
2. 概率化表述 — 使用置信度标注：🟢高（5+证据）| 🟡中（2-4证据）| 🔴低（推测性）
3. 反向验证 — 对每个判断主动寻找反例，如有矛盾如实报告
4. 谦逊边界 — 明确标注"基于 N 条对话推断，样本可能不足以…"
5. 非病理化 — 这是自我认知工具，不是心理诊断。避免任何病理化标签
6. 隐私优先 — 所有数据完全本地处理，不上传任何内容到第三方

用户交互

在分析开始前，询问用户：

1. 分析时间范围（全部 / 最近一个月 / 自定义）
2. 重点关注维度（全面分析 / 重点关注某些方面）
3. 输出格式（Markdown / Markdown + HTML / 仅 HTML）
4. 报告存储位置（默认：当前工作目录或 Obsidian vault）

输出

Markdown 报告（默认）

• 主输出：结构化 Markdown 报告（存入指定目录）
• 文件命名：AI自我洞察报告-{YYYY-MM-DD}.md
• 结构参照：references/output-template.md

HTML 仪表盘（可选）

当用户要求 HTML 版本或更可视化的报告时，生成交互式仪表盘：

• 文件命名：AI自我洞察报告-{YYYY-MM-DD}.html
• 模板参照：references/html-output-template.html
• 单文件输出，浏览器直接打开
• 外部依赖仅限 Google Fonts CDN

HTML 报告核心差异（不是 Markdown 的简单搬运）：

设计规范：

• 字体：Sora（Display）+ Noto Sans SC（Body）+ IBM Plex Mono（Data）
• 色彩：暖白底色 #f8f6f3，语义色（Indigo/Emerald/Amber/Rose/Violet）按维度分配
• 交互：Tab 键盘导航、偏误卡片展开、IntersectionObserver 动画触发
• 响应式：768px 断点折叠为单列
• 详见 SPEC.md §10.3

苏格拉底式追问

• 在报告生成后交互式提出
• 方法参照：references/socratic-prompting.md