AI 智能体对话归档总览

多 harness 并行之后，会话会散落在不同工具目录里：

• Claude Code 项目会话
• Codex CLI session 记录
• Pi / OMP-Pi agent history
• Craft Agent workspace sessions

如果不做二次整理，它们只是日志；整理之后，才变成 knowledge vault 的原料。这批归档的目标很明确：

1. 从约 398 个真实候选里筛出 64 个高价值会话
2. 清洗脱敏（本批未发现 sk-... 形态 API key）
3. 写入可检索的总览 + 明细 + 机器可读 digest
4. 按主题 / 智能体 / 价值分层，方便回看而不是堆原文

| 维度 | 数值 | | --- | ---: | | 精选会话 | 64 | | 候选池 | ~398 | | 高价值 | 37 | | 中价值 | 17 | | 低价值 | 10 | | 公开发布默认 | 关闭 |

价值不是“聊得长”，而是：有可复用方法、踩过坑、能迁移到下一任务。

| 智能体 | 会话数 | | --- | ---: | | codex-cli | 30 | | craft-agent | 16 | | claude-code | 12 | | pi | 6 |

Codex 占比最高，不代表它“更强”，更像是当时主力做长链路工程与训练任务；Claude Code / Pi 更常出现在配置、模型切换与工具链调试里。这本身就是 multi-agent 工作流的真实画像：不同 harness 承担不同工作面。

| 主题 | 会话数 | | --- | ---: | | 智能体配置与工具 | 20 | | 毕业论文 / 学术写作 | 7 | | 墙体裂缝检测（YOLO 训练） | 6 | | Obsidian 知识库 | 5 | | 其他代码项目 | 5 | | 考研复试与导师 | 5 | | research-hub 项目 | 4 | | 开源贡献 | 4 | | AI 行业认知 | 3 | | SpecFS 学习项目 | 2 | | 其他 / 创意 / 可视化准备 | 3 |

主题分布说明两件事：

1. 配置税很重：约三分之一会话在处理 API 中转、模型映射、多客户端同步。
2. 真正沉淀价值的是长链路项目：YOLO 训练、知识库发布、开源 PR、研究站点重构。

公开版只保留“类型级”信号，方便你判断自己该不该做同类归档：

1. Harness / 供应商配置：协议不匹配、User-Agent 防火墙、content vs reasoning_content、健康检查清理失效 provider。
2. 训练与数据质量：YOLO 召回低往往是标签污染，不是模型突然变笨。
3. 知识库闭环：采集 → 清洗 → 发布 → 反馈；dg-publish 一类约束会反向抬高笔记质量。
4. 开源贡献流水线：issue 扫描 → 去重 → 小 PR → 跟 CI / 维护者反馈。
5. 学术文档工程：Word 域代码、交叉引用、净稿 / 标记版双交付，比“让 AI 改措辞”更硬。

如果要复刻这套归档，最小流程是：

1. 定位存储：按 harness 扫描会话目录，建立统一元数据表（日期、轮数、工作主题、工具）。
2. 廉价过滤：先抽标题 / 首尾摘要，丢掉纯闲聊与配置失败循环。
3. 配额采样：保证每个 agent 都有代表样本，避免被单一工具淹没。
4. 脱敏：去绝对路径、密钥、未公开任务、可识别个人信息。
5. 双轨落盘：人类可读总览 + 机器可读 digest；明细只保留摘要与关键点，不贴全文。
6. 价值标注：高 / 中 / 低，并写“下次可迁移的动作”。

这和 memory system 的思路一致：记忆不是全量回放，而是可检索、可复用的压缩。

• 先按主题进总览，再下钻明细里的 8–12 条洞见，不要直接读 40k 原文。
• 需要复盘完整上下文时，回到本地 vault 的清洗文本；公开博客只保留方法。
• 若要二次发布，先重新审查：本地路径、项目名、论文细节、凭据残留。

• AI 智能体对话精选洞见：只抽可迁移洞见，不全文搬运。
• Claude Code 与 HTML 的惊人有效性：解释为何归档最终要变成可读产物，而不是 Markdown 长文堆。
• 华数设计 Skill 导读：把“agent 输出可读物”再推进一步，到高保真设计交付。

归档的终点不是“我聊过很多”，而是：下一次同类任务，能从 64 条里直接借到一招。