daily-report

name	daily-report
description	汇总用户当天有价值的浏览信息、AI 对话内容和 Git 工作区变更，并生成带日期的工作日报。当用户要求整理日报、总结今日工作、分析 Chrome 历史记录、汇总浏览看点、整理 Claude Code 或 Codex 对话，或基于 ./config.md 中的仓库生成工作总结时使用。

每日工作总结

快速开始

1. 获取本地日期，将 TODAY 设置为 YYYY-MM-DD 格式。
2. 在当前目录创建 ./Report/DailyReport${TODAY} 文件夹；如果已经存在，则直接复用。
3. 在该文件夹中生成以下文件：
   • chrome_view${TODAY}.json
   • ai_chat_history${TODAY}.md
   • browser_view.md
   • workspace_view.md
   • daily_report.md

输入

• ./config.md：以 Markdown 列表形式配置需要处理的工作区。支持本地绝对路径，以及 ssh://user@host:port/abs/path 形式的远程 Linux 工作区。
• Chrome 历史数据库：~/Library/Application Support/Google/Chrome/Default/History
• AI 对话记录源：
  • Claude Code：~/.claude/projects/**/*.jsonl
  • Codex：~/.codex/state_5.sqlite 和 ~/.codex/sessions/**/*.jsonl
• Python 运行环境：当前目录下由 uv 管理的 .venv。

环境准备

1. 检查当前目录是否存在 .venv。如果不存在，执行：

   uv sync
   

2. 后续 Python 脚本统一通过 uv run python 执行，不使用系统 python3。

工作流程

1. 整理浏览记录

1. 执行以下命令，导出当天的 Chrome 浏览记录：

   uv run python scripts/export_chrome_history.py --date "$TODAY" --output "./Report/DailyReport$TODAY/chrome_view$TODAY.json"
   

2. 读取导出的 JSON，只保留有价值的信息：
   • 工作文档、PR、Issue、设计文档、技术文章、版本说明和厂商文档。
   • 忽略搜索结果页、登录跳转、广告、娱乐内容和重复打开的页面。
3. 调用子智能体探索筛选后的 URL，并明确要求它：
   • 首先读取当前目录下的 agent-reach/SKILL.md。
   • 根据该文档的路由表，按需读取 agent-reach/references/ 下的对应文档。
   • 严格使用文档中的 uv 命令管理 Python 工具，禁止使用 pipx、pip install 或系统 python3。
   • 将当前目录中的 Agent Reach 文档视为本任务的最高优先级操作说明。
4. 将结果写入 browser_view.md，包含：
   • ## 今日看点
   • 每个主题使用一个条目，说明页面内容、今天为什么值得关注，以及它与当前工作的可能关系。
   • ## 值得跟进
   • 记录尚未解决的问题、需要做出的决定，以及明天值得继续查看的链接。

2. 整理工作区内容

1. 读取 ./config.md，提取所有需要处理的工作区路径。
2. 对每个 Git 仓库检查当天的提交和未提交变更，可使用：

   git -C <repo> log --since "$TODAY 00:00" --date=iso --stat --oneline
   git -C <repo> status --short
   git -C <repo> diff --stat
   git -C <repo> diff --cached --stat
   

3. 根据需要读取关键文件的具体 diff。不能只根据文件名推断功能变化。而且可以积极地去读取相关文件代码来获取语义。
4. 聚焦功能和行为变化，不要简单罗列文件增删：
   • 新增的功能或用户行为。
   • 修复的问题或降低的风险。
   • API、数据结构、配置、工作流程或用户体验变化。
   • 新增的测试，以及仍然缺失的测试覆盖。
5. 将结果写入 workspace_view.md。每个仓库单独一个章节，包含：
   • 仓库路径。
   • 今天发生的功能性变化。
   • 对应的提交、diff 或文件证据。
   • 未完成的工作和潜在风险。

3. 整理 AI 对话内容

1. 执行以下命令，导出当天的 Claude Code 和 Codex 对话记录：

   uv run python scripts/export_ai_chat_history.py --date "$TODAY" --output "./Report/DailyReport$TODAY/ai_chat_history$TODAY.md"
   

2. 如果需要同时导出 config.md 中配置的远程服务器对话，追加：

   --include-remote --config ./config.md
   

3. 默认扫描当天所有活跃会话，不限制工作目录；如果只想聚焦当前项目，可额外传入：

   --workspace "$PWD"
   

4. AI 对话内容的整理必须调用子智能体完成，不能由主 Agent 直接通读后总结。因为这类 transcript 通常很长，容易挤占主上下文。主 Agent 只负责导出 transcript、分派子任务、汇总子智能体结论。
5. 调用子智能体时，明确要求它：
   • 读取 ai_chat_history${TODAY}.md。
   • 聚焦提炼“任务目标、关键决策、代码修改、问题排查、未完成事项”。
   • 忽略环境注入、工具噪声、重复确认和低信息量往返。
   • 输出面向日报的精炼总结，而不是转抄完整对话。
6. 将 ai_chat_history${TODAY}.md 作为今日工作的第三类证据源，重点关注：
   • 今天向 AI 提过哪些任务、问题和指令。
   • AI 给出的关键结论、方案、代码修改和排查路径。
   • 反复讨论或多轮迭代的问题。
   • 最终有哪些事项落地，哪些仍未完成。
7. 在生成 daily_report.md 时，应结合 AI 对话内容补充“今日产出”和“风险与明日跟进”，避免只依赖浏览记录和 Git 变更推断工作内容。

4. 生成最终日报

合并浏览记录、工作区总结和 AI 对话内容，生成 daily_report.md，结构如下：

• ## 今日产出
• ## 浏览看点
• ## AI 对话与推进
• ## 工作区变更
• ## 风险与明日跟进

内容应简洁、具体，并以实际浏览记录、AI 对话、提交和代码变更为依据。

执行规则

• 所有日报生成文件必须存放在 ./Report/ 下，禁止写入项目根目录。
• 始终创建或复用 ./Report/DailyReport${TODAY} 作为当日工作目录。
• 所有 Python 脚本必须使用当前项目的 uv 环境运行。
• AI 对话记录默认扫描当天所有活跃会话；只有在明确需要聚焦某个项目时才使用 --workspace 过滤。
• 远程 AI 对话记录只在显式传入 --include-remote 时扫描，并从 config.md 中读取 ssh://... 工作区配置。
• AI 对话内容的整理是强制子智能体任务，主 Agent 不应直接消化长 transcript 后再总结。
• 访问网页、GitHub 或远程资源时，如果遇到连接超时、连接重置、DNS、TLS 或国内网络访问限制，可灵活使用 Clash 的 7897 端口代理。优先仅为当前命令设置 HTTP_PROXY=http://127.0.0.1:7897、HTTPS_PROXY=http://127.0.0.1:7897 和 ALL_PROXY=http://127.0.0.1:7897，不要永久修改系统代理。
• 优先记录准确的 URL、仓库路径、提交 ID 和文件名，避免含糊描述。
• 如果网页无法访问或仓库不可用，明确记录缺失信息，然后继续处理其他内容。
• 在总结前合并重复访问记录，避免同一内容反复出现。
• 重点说明这些变化对用户、产品、工作流程或工程方向产生了什么影响。