export-conversation-summary

核心用法

该 skill 用于将当前 Claude Code 对话导出为格式化的 Markdown 文档。工作流程分为三步：首先定位存储在 ~/.claude/projects/ 下的 JSONL 对话文件；然后启动通用型 agent 解析文件内容，提取所有用户提问和模型回复，并识别关联的操作（文件读写、搜索、命令执行、文档查询等）；最后生成包含完整对话流、操作时间线、Token 消耗统计的 Markdown 文档。

显著优点

1. 完整性与可追溯性：保留原始对话的每一处细节，包括工具调用和元数据，便于后续复盘和知识沉淀
2. 结构化评估体系：独创双向评分机制——既评估用户 Prompt 质量（清晰度、技术细节、上下文提供），也评估模型表现（操作正确性、理解准确度、方案质量、效率），提供具体改进建议
3. 多语言原生支持：自动识别并保留中英文对话的原始语言
4. 项目级归档：按项目路径自动组织存储，支持长期对话历史管理

潜在缺点与局限性

1. 存储路径依赖：依赖 Claude Code 内部 JSONL 存储结构，若未来存储格式变更需同步更新
2. Token 统计依赖元数据：Token 消耗数据需从 JSONL 元数据中提取，若记录缺失则无法统计
3. 大文件处理风险：JSONL 文件可能极大，需分块读取但 skill 未明确说明分块策略细节
4. 隐私与合规敏感：对话可能包含敏感代码或业务信息，导出后需用户自行管控文件传播

适合人群

• 需要技术决策留痕的工程师团队
• 希望系统性提升 Prompt 工程能力的开发者
• 进行复杂问题排查后需要复盘归档的用户
• 多轮协作后需要生成可分享文档的场景

常规风险

| 风险类型 | 说明 | 缓解措施 |

|---------|------|---------|

| 敏感信息泄露 | 对话可能包含 API 密钥、业务逻辑等 | 建议输出到私有目录，分享前人工审核 |

| 存储空间膨胀 | 长期导出可能积累大量 Markdown 文件 | 建议定期清理或转存至对象存储 |

| 路径遍历风险 | 使用 `sed` 处理路径存在潜在注入 | 当前实现依赖本地可控环境，风险可控 |

| 元数据依赖失效 | 若 Claude Code 更新存储格式 | 需关注官方更新日志及时适配 |

核心用法

export-conversation 是一款专为 Claude Code 设计的对话归档工具。用户可通过自然语言指令（如"保存这轮对话""导出聊天记录"）触发该技能，系统会自动定位本地 JSONL 格式的对话存储文件（位于 ~/.claude/projects/ 目录下），并启动 general-purpose Agent 执行解析与格式化任务。

导出流程分为三步：首先通过 shell 脚本定位当前项目的最新对话文件；随后 Agent 读取 JSONL 并逐行解析，提取用户提问与模型回复，同时识别所有工具调用行为（文件读写、搜索、命令执行、文档查阅等）；最终生成一份包含完整对话上下文、操作时间线、Token 消耗统计及双向质量评估的 Markdown 文档，默认保存至 docs/{日期}-conversation.md。

显著优点

本地化处理，隐私可控：全程无外部网络请求，对话数据仅在用户本地流转，彻底杜绝云端泄露风险，特别适合处理含敏感代码、内部架构或商业机密的对话场景。

结构化审计追踪：导出文档不仅记录问答内容，更详细列出每轮对话中模型执行的所有操作（浏览文件、编辑代码、执行命令等），形成可审计的技术决策日志，便于团队复盘与知识沉淀。

双向质量评估体系：内置独特的评分机制，从"问题清晰度、技术细节精准度、上下文提供"三维度评估用户 Prompt 质量，从"操作正确性、上下文理解、解决方案质量、效率"四维度评估模型表现，并附具体改进建议，持续优化人机协作效能。

零依赖极简架构：纯 Markdown 文档型 Skill，无第三方包依赖，无编译代码，从根本上消除供应链攻击面，部署与维护成本极低。

潜在缺点与局限性

T3 来源可信度限制：开发者为 ClawHub 平台个人用户 youngbeauty，无组织级安全流程背书，亦无公开 GitHub 仓库可供深度代码审计，企业敏感环境需谨慎评估。

中文本地化处理不足：技能文档与输出模板混用中英文，部分术语（如"Token 消耗""Prompt 质量评分"）在纯中文工作流中可能显得突兀，国际化支持有限。

大规模对话性能未验证：对于超长会话（数万轮或超大 JSONL 文件），当前实现未明确分块读取策略，极端场景下可能引发内存压力。

输出路径灵活性有限：默认固定输出至 docs/ 目录，用户自定义路径需显式指定，自动化流水线集成时可能需要额外适配。

适合的目标群体

• 技术团队 Leader 与架构师：需要定期归档技术决策过程，建立可查询的知识库
• Claude Code 重度用户：日均对话轮次多、涉及复杂多文件操作，希望留存完整上下文
• AI 辅助编程研究者：需要分析人机协作模式，优化 Prompt 工程与模型交互策略
• 企业合规与审计部门：要求对 AI 辅助开发过程留痕，满足内部安全审计需求
• 开发者教育与培训机构：将真实对话案例作为教学素材，展示问题排查与代码演进过程

使用风险说明

数据泄露风险（用户侧）：导出文件可能包含敏感信息（API 密钥、数据库连接串、内部文件路径），用户需自行审查并脱敏后再分享，避免误提交至公共仓库或 IM 频道。

来源验证风险：T3 级别 Skill 建议首次使用前人工通读 skill.md，确认无隐蔽指令；关键生产环境可联系作者获取源码仓库进行深度审计。

存储空间累积：长期高频使用将产生大量 Markdown 文件，建议建立定期清理与归档策略。

格式兼容性：生成的 Markdown 采用特定模板结构，如需导入其他系统（如 Notion、Confluence），可能需要额外转换脚本。