为什么同样的错误AI能犯一百遍？教你把每次纠偏都存下来！

~/.codex/sessions/YYYY/MM/DD/

~/.claude/projects/你的项目/

请写一个 Python 3 脚本，把本机 AI 助手的 session / transcript JSONL 文件批量转换成干净的 Markdown 对话文件。

目标：
从原始 JSONL 会话文件中提取真正的人类用户与 AI 助手对话，过滤运行元信息、系统提示词、工具调用、事件日志和调试信息。不要总结，不要改写，只做结构化清洗和导出。

输入：
脚本需要支持通过参数传入一个或多个输入目录，例如：

--input ~/.codex/sessions
--input ~/.codex/archived_sessions
--input ~/.claude/projects

脚本递归扫描这些目录下的 .jsonl 文件。

输出：
通过参数指定输出目录：

--output ./conversations

每个 session 输出一个 Markdown 文件，文件名格式：

YYYY-MM-DD_.md

如果无法识别日期，则使用：

unknown-date_.md

提取规则：

1. 对于 Codex 风格 JSONL：
   - 每行是一个 JSON 对象。
   - 只处理 type == "response_item" 的记录。
   - 只保留 payload.type == "message"。
   - 只保留 payload.role 为 "user" 或 "assistant" 的内容。
   - 从 payload.content 中提取文本字段，兼容：
     - content 为字符串
     - content 为数组
     - 数组元素中 type 为 "input_text"、"output_text"、"text" 的 text 字段

2. 对于 Claude 风格 JSONL：
   - 每行是一个 JSON 对象。
   - 读取 message.role。
   - 只保留 role 为 "user" 或 "assistant" 的内容。
   - 从 message.content 中提取文本，兼容字符串和数组文本块。

3. 必须过滤以下内容：
   - session_meta
   - event_msg
   - turn_context
   - tool call
   - tool result
   - image generation call
   - 系统提示词
   - 开发者提示词
   - 环境上下文
   - AGENTS.md / INSTRUCTIONS 注入内容
   - 命令输出、debug 日志、任务通知

4. 必须做基础脱敏：
   - Bearer token
   - sk-* API key
   - OPENAI_API_KEY
   - ANTHROPIC_API_KEY
   - 其他明显的长 token 或密钥字符串

Markdown 输出格式：

# YYYY-MM-DD HH:MM Session 

---

**User:**

用户消息内容

---

**Assistant:**

助手消息内容

要求：
1. 保留原始对话顺序。
2. 空会话不要输出文件。
3. 支持 --overwrite 参数；没有该参数时，如果目标文件已存在则跳过。
4. 输出最终统计：
   - scanned
   - written
   - unchanged
   - skipped
   - empty
   - errors
5. 单个 JSONL 文件解析失败时，不要终止整个任务，只记录 errors 并继续处理其他文件。
6. 只使用 Python 标准库，不要引入第三方依赖。
7. 代码要包含清晰的函数拆分，例如：
   - discover_jsonl_files
   - extract_codex_session
   - extract_claude_session
   - clean_text
   - redact_secrets
   - write_markdown
   - main
8. 最后给出使用示例，例如：

python3 export_ai_sessions.py \
  --input ~/.codex/sessions \
  --input ~/.codex/archived_sessions \
  --input ~/.claude/projects \
  --output ./conversations \
  --overwrite

基于刚才的 session-to-markdown 导出脚本，帮我创建一个每日自动任务。

要求：
1. 每天本地时间 23:30 自动运行一次全量导出。
2. 使用项目里的导出脚本和默认输入/输出配置。
3. 如果支持内置 recurring automation，就直接创建；否则按当前系统创建等价定时任务。
4. 创建后立刻手动运行一次，确认真的生成或更新了 Markdown 文件。
5. 最后只汇报：任务名称、运行时间、脚本路径、输出目录、本次运行统计、抽查文件。

基于当天导出的 session-to-markdown 对话档案，生成一份“当日全量纠偏 Markdown”。

目标：
读取当天所有 Markdown 会话文件，提取当天出现的全部纠偏信号。这里的“全量”指当天全量，不是历史全量。输出必须保留每条纠偏对应的原始会话片段和背景，方便之后人工复查和追溯。

输入：
读取 conversations/ 目录中当天的 Markdown 文件，例如：
conversations/YYYY-MM-DD_*.md

输出：
写入：
correction_reviews/YYYY-MM-DD_全量纠偏.md

只提取这些内容：
1. 用户明确指出 AI 哪里不对。
2. 用户否定 AI 的理解、判断、做法或输出。
3. 用户要求以后必须怎么做。
4. 用户要求以后不要怎么做。
5. 用户补充了稳定偏好、工作方式、流程要求或验收标准。
6. 用户指出“这次任务里真正重要的东西是什么”。
7. 用户纠正 AI 对上下文、文件、路径、范围、任务边界的误解。

不要提取：
1. 普通聊天。
2. 单纯任务指令，除非里面包含稳定偏好或纠偏。
3. AI 自己的解释、道歉、总结。
4. 没有用户原话支撑的推断。
5. 需要原始工具日志才能确认、但对话里没有证据的工程因果。

每条纠偏必须包含：

- 纠偏标题：
  用一句话命名这条纠偏。

- 优先级：
  高 / 中 / 低。
  高：以后马上应该改变 AI 行为。
  中：可能有长期价值，但需要继续观察。
  低：偏一次性、局部场景或弱信号。

- 来源文件：
  写明对应 Markdown 文件路径。

- 来源位置：
  如果能定位到标题、会话 ID、轮次编号或附近分隔段，就写出来。
  如果没有行号，也要写“文件内第 N 条纠偏附近”。

- 原始会话背景：
  引用这条纠偏前后最相关的原始对话片段。
  至少包含：
  1. 用户纠偏原话。
  2. 如果 Markdown 中能看到 AI 前一条回复，也要包含 AI 前一条相关回复。
  3. 必要时包含用户前一条任务要求，帮助理解场景。

- 用户原话：
  必须逐字引用用户纠偏句，不要改写。

- 问题场景：
  这句话在纠正什么场景，用 1-2 句话说明。

- 可执行规则：
  把用户纠偏转成以后 AI 可以执行的规则。
  规则必须具体，不要写“提高质量”“更准确”这种空话。

- 禁止动作：
  明确以后不要做什么。

- 适用范围：
  说明这条纠偏应该沉淀到哪里：
  全局记忆 / 项目记忆 / Skill 或工作流 / 暂不沉淀。

  判断标准：
  - 全局记忆：跨项目、跨任务都应该长期生效的行为偏好或规则。
  - 项目记忆：只适用于当前项目、当前客户、当前仓库或当前工作上下文的规则。
  - Skill 或工作流：适用于某个固定任务流程、工具流程、内容流程或自动化流程的规则。
  - 暂不沉淀：只适用于这一次对话，或证据不足，先保留观察。

- 是否建议沉淀：
  是 / 否 / 观察。

- 建议沉淀位置：
  全局记忆 / 项目记忆 / Skill 或工作流 / 暂不沉淀。

Markdown 结构：

# YYYY-MM-DD 全量纠偏

## 今日结论
用 1-3 句话说明今天的纠偏主线是什么，不要总结全天任务。

## 统计
- 读取会话文件数：
- 发现纠偏总数：
- 高优先级：
- 中优先级：
- 低优先级：
- 建议沉淀：
- 建议观察：
- 不建议沉淀：

## 高优先级纠偏

### 1. 纠偏标题

- 来源文件：
- 来源位置：
- 优先级：
- 适用范围：
- 是否建议沉淀：
- 建议沉淀位置：

#### 原始会话背景

> **User:**
> 用户前一条任务或纠偏原话
>
> **Assistant:**
> AI 前一条相关回复
>
> **User:**
> 用户纠偏原话

#### 问题场景

#### 可执行规则

#### 禁止动作

---

## 中优先级纠偏

按同样格式输出。

---

## 低优先级纠偏

按同样格式输出。

---

## 今日不沉淀但保留观察

列出看起来像纠偏、但暂时不应该写进长期规则的内容。

每条包含：
- 来源文件
- 用户原话
- 不沉淀原因

要求：
1. 必须读取当天所有 conversations/YYYY-MM-DD_*.md 文件。
2. 必须保留原始会话背景，不能只输出总结。
3. 每条必须能追溯到具体 Markdown 文件。
4. 不要编造行号；如果没有可靠行号，就用会话 ID、标题或“第 N 条纠偏附近”。
5. 不要把 AI 的自我解释当成用户纠偏。
6. 不要为了凑数量提取普通任务指令。
7. 如果当天没有纠偏，仍然生成文件，写明“今日未发现有效纠偏信号”，并保留读取文件数。

基于刚才的“当日全量纠偏 Markdown”提示词和当天 session-to-markdown 输出，帮我创建一个每日自动任务。

要求：
1. 每天本地时间 00:00 运行。
2. 读取当天的 conversations/YYYY-MM-DD_*.md。
3. 生成 correction_reviews/YYYY-MM-DD_全量纠偏.md。
4. 每条纠偏必须保留原始会话背景，并能溯源到具体 Markdown 文件。
5. 如果支持内置 recurring automation，就直接创建；否则按当前系统创建等价定时任务。
6. 创建后立刻手动运行一次验收，确认纠偏 Markdown 文件真实生成。
7. 最后只汇报：任务名称、运行时间、输入目录、输出文件、本次读取文件数、提取纠偏数、抽查结果。