信息卡

一句话定位

零依赖的 Python 工具集，把 Claude Code、Cursor、Windsurf 等 10 种 AI 编程助手的本地聊天记录提取归一化为单一 JSONL 格式，供微调训练、数据分析与备份。

走红原因分析

"用自己的编程对话微调模型"是社区持续热点，而各家数据散落在互不相通的存储里；本项目一次覆盖十个助手、纯标准库实现、MIT 且明确许可训练用途，三卖点叠加形成转发欲。README 的坦诚也加分：schema 未公开的工具就用启发式并如实告知"尽力而为"。

核心功能拆解

• 十种来源支持：Claude Code、Codex CLI、Cursor、Windsurf、Trae、Continue、Gemini CLI、OpenCode、Cline/Roo Code、Aider，覆盖各自的真实存储路径。
• 自动跨平台发现：扫描 macOS/Linux/Windows 的 Application Support、.config、%APPDATA% 等常规目录，无需手指定位置。
• 提取内容完整：用户消息、回复、代码上下文（文件路径与选区）、diff 与建议编辑、工具调用结果及时间戳、session ID、项目路径等元数据。
• 统一输出：每行一个对话对象，核心 `messages[]` 数组；仅 messages/source/session_id 保证存在，其余字段因来源而异。
• 合并与预览：`--merge` 生成合并文件，`--list` 只探测不提取。
• 附 HuggingFace datasets 加载与 chat template 格式化示例代码。

架构与技术栈浅析

零第三方依赖，Python 3.9+ 即可运行。SQLite 一律以只读连接打开避免被运行中的编辑器锁死；JSONL 逐行读取。Cursor 的存储至少历经三代形态，本项目把三代全部实现；Windsurf 和 Trae 用通用启发式扫描"角色+文本配对"的对象。每个读取器都有容错包裹，单个损坏或锁定文件只产生部分结果而不中断整体。扩展只需实现 find_installations 与 extract 双函数的小模块再注册进 REGISTRY。

安装与环境要求

克隆仓库即用，无需 pip install；可选安装 detect-secrets 做分享前的隐私扫描。

快速上手示例

`python extract.py` 弹菜单选来源；加 `--all --merge` 全量提取并合并输出到 extracted_data/ 带时间戳文件；单个提取器可独立运行如 `python -m extractors.cursor`。

进阶使用要点

找不到 Aider 项目时用可重复的 `--search-path` 参数指定路径；Windsurf/Trae 零结果时用 sqlite3 查看 ItemTable 键名后补充 KEY_HINTS。隐私方面 README 给出三条纪律：分享或训练前先扫敏感信息、人工审查专有代码与 API 密钥（重点看 code_context 与 tool_use 字段）、勿把 extracted_data 提交到公开仓库。

典型应用场景

• 用真实结对编程对话构建领域微调数据集。
• 编辑器重装或数据库重置前抢救多年对话存档。
• 个人编码行为分析：统计工具调用模式与提问习惯。
• 团队内部 AI 使用情况的离线审计（仅限自有账号数据）。

同类生态位对比

生态内已有 cursor-export 等单一工具导出脚本，但横向聚合十个助手的项目罕见；相比写数据库抓取脚本的长教程，本仓库提供的是可持续维护的双函数扩展框架。边界同样清晰：只读本机自有数据，合规责任由使用者承担。

资源导航

• 仓库：https://github.com/bawadou/ai-data-extractor
• 最简扩展模板：extractors/continue_ext.py
• 训练示例：README 内 HuggingFace datasets 加载代码