lov-search-file

name	lov-search-file
description	从本机 Codex、Claude 等 AI 对话记录中追溯图片、文档与其他交付文件，返回仍然 存在的候选路径、会话证据与存储层级。适用于“上次 AI 给我的文件在哪”或 “find the file from an earlier AI chat”。
license	MIT
metadata	{"author":"lovstudio","version":"0.1.0","card_standard":"lovstudio/skill-card/v1","tags":["search","file","conversation","local-first"],"compatibility":"Portable Agent Skills format. Requires Python 3.9+; ripgrep is recommended for fast transcript prefiltering.","dependencies":[]}

lov-search-file — 从 AI 对话追到本地文件

把用户记得的对话主题、片段或 session ID 还原为可验证的本地文件候选。结果会区分 项目归档、下载目录、AI 生成缓存与临时目录，优先返回仍然存在且更耐久的副本。

Triggers

Activate when

• “找一下之前 Codex 给我 P 头像的图片存储位置。”
• “上次 AI 生成的 PDF / PPT / 压缩包在哪？”
• “从那次对话里把最终交付文件找出来。”
• “Find the image/file from an earlier Codex, ChatGPT, or Claude conversation.”

Do not activate when

• 只想回忆之前讨论或决定了什么，不需要文件路径 → lov-search-chat
• 只想定位一个源码仓库或项目目录 → lov-search-project
• 已知当前目录和文件名，只需普通源码搜索 → rg / find
• 文件只存在于网盘或远端聊天附件，本机无副本 → 使用对应连接器或云端搜索

User Profile (cross-session)

Every generated Skill is connected to the shared user-profile/v1 contract in skill.yaml. Read the shared user, brand, workspace, preferences, and this Skill's skills.<skill_id> namespace at the start of every run. Keep the source portable: resolved personal values belong in the shared profile, never here.

When the user directly states a durable preference or brand fact, persist it through scripts/profile_store.py and report the saved profile path. Put Skill-specific values under records.<field>; use brand.<field> or user.<field> for shared values. Do not persist inferred secrets or credentials. See references/user-profile.md for the complete contract.

Skill Group Composition

Read references/skill-composition.md before deciding whether to invoke or extend any adjacent capability. The record distinguishes optional upstream and downstream handoffs from embedded Kit modules. Do not silently depend on a sibling Skill that is not shipped with this source.

Workflow (MANDATORY)

You MUST follow these steps in order.

Step 0: Resolve skill root, dependencies, and runtime context

• Use SKILL_DIR if the environment provides it.
• Otherwise infer the installed skill directory from the current skill context.
• Verify every required local module, reference, script, and asset before work.
• 必须确认 scripts/find_ai_file.py、scripts/profile_store.py、 references/skill-composition.md 均存在。
• If a required resource is missing, name its expected relative path and stop before producing a partial result.

When running scripts manually:

export SKILL_DIR="/path/to/lov-search-file"

Resolve context.profile on every invocation. The precedence is current request, project context, Skill-specific profile records, shared preferences, shared brand/user profile, then safe defaults. A direct user statement about a durable preference or brand fact should be saved with scripts/profile_store.py record using --confirm, followed by a concise saved-path report.

Step 1: Understand the requested outcome

• 提取用户仍记得的线索：对话主题或原话、AI 产品、文件类型、大致日期、项目名、 文件名片段与 session ID。现有线索足够时直接搜索，不先追问。
• 区分用户要找的是 AI 的最终输出、原始输入附件，还是所有相关副本；默认最终输出 优先，但保留原始输入作为低分候选。
• 自动从查询推断 image、document、audio、video、archive 等类型；用户已 明确类型时以当前请求为准。

Step 1.5: Analyze nearby Skills before implementation

• 先读 references/skill-composition.md。lov-search-chat 可以提供 session ID、 message ID 或原文片段作为可选上游，但不是运行时依赖。
• lov-search-project 返回项目目录，不返回项目里的具体对话交付文件；不要把两个 Skill 合并，也不要用项目名命中冒充文件证据。

Step 2: Execute the workflow

1. 若宿主提供任务/对话搜索能力，先只读查询匹配的历史任务，取得更准确的标题、 session ID 或原话；ChatGPT 桌面端的加密数据不可由本地脚本直接解密。没有该能力 时直接进入本地 transcript 搜索，不把连接器当硬依赖。

2. 运行确定性 CLI。默认自动推断文件类型，并输出 JSON 供 Agent 排序解读：

python3 "$SKILL_DIR/scripts/find_ai_file.py" "<记得的对话或文件线索>" --json

3. 已知 session ID 时强约束搜索；用户还给了自定义对话目录或文件根时重复传参：

python3 "$SKILL_DIR/scripts/find_ai_file.py" "<线索>" \
  --session-id '<session-uuid>' \
  --transcript-root '<transcript-root>' \
  --root '<file-root>' --json

4. CLI 先用 ripgrep 预筛 transcript，再只解析用户/助手消息及工具调用里的本地路径； 它不会把 developer/system 文本当成会话证据。命中的 session 会继续关联 $CODEX_HOME/generated_images/<session-id> 与该 session 工作目录的 output/、 outputs/。增量索引存于用户缓存目录，权限为 0600；传 --no-cache 可禁用。

5. 按 exists、score 与 durability 解释结果：

   • project-output / documents：优先作为长期副本；
   • downloads：用户可直接访问的交付副本；
   • ai-cache：可追溯生成来源，但不视作唯一长期归档；
   • temporary：可能随时消失，不能作为唯一结论。

6. 结果为空时，用同义词或更准确的原话重试；需要查看已在对话中提及但已删除的 路径时加 --include-missing。仍为空就明确说未找到，不编造路径。

Step 3: Validate the deliverable

• 对最终候选再次 stat，确认文件在本轮仍存在，并报告大小、修改时间与证据 session。
• 至少给出一个推荐路径；同一制品有多个副本时按耐久度说明主副本与缓存副本。
• 不移动、复制、删除或上传任何命中文件，除非用户另行明确要求。
• 运行 python3 scripts/validate_skill.py . 与聚焦回归测试，验证可信度卡、真实案例 和本地安装链。

Dependencies

• Python 3.9+（仅标准库）
• ripgrep（推荐，用于快速预筛；缺失时回退到受上限保护的 transcript 扫描）
• 不需要网络、凭据或第三方 Python 包