AI Coding Assistant Data Extraction（把 10 种 AI 编程助手的聊天记录统一提取成 JSONL）

📅 2026-09-11 创建 | 🏷️ 值得研究的仓库 | ⭐ ⭐386（7天爆发）
🔗 原文：https://github.com/kruzovic7/ai-data-extractor

是什么

开源 Python 工具集：把你自己的 AI 编程助手本地聊天记录——Claude Code、Codex CLI、Cursor、Windsurf、Aider、Cline/Roo Code 等 10 种工具——自动发现并统一提取成标准化的 JSONL 格式，用于微调、个人使用分析或历史备份，避免多年对话随应用缓存清空而丢失。

🔍 小白解读

先说几个词

• JSONL：每行一个 JSON 对象的文本格式，程序批量处理最喜欢的「一行一条」。
• 会话存储：每家 AI 编程工具把聊天记录藏在不同地方——有的存 JSONL 文件、有的塞进 SQLite 数据库、有的写 Markdown 笔记。好比每家银行的对账单格式都不一样。
• 微调（fine-tuning）：拿自己的数据再训练模型，让它在你的场景里更专业。
• agent 轨迹：AI 编程助手干活的全过程记录——调了什么工具、改了哪些文件、结果如何。

这篇到底在说什么

你在 Claude Code、Cursor 这些工具里的全部对话——问过什么、AI 改了哪些文件、调用了什么工具——都存在你电脑本地，但各家格式五花八门，想统一拿出来分析或备份非常麻烦。这个项目把 10 种主流工具的存储位置全部摸清：自动适配 macOS/Linux/Windows 三平台的目录习惯（Application Support、.config、APPDATA 等），一键把它们全部抽成统一 JSONL。能提取的内容包括用户消息、AI 回复、代码上下文（文件路径、选区、片段）、diff、工具调用及结果、时间戳、模型名等。价值有三层：数据资产化（这些对话是宝贵的领域语料）、用量分析（团队 AI 使用画像）、以及防止换机/清缓存导致的历史丢失。

这跟普通人有什么关系

普通开发者可以一键备份自己与 AI 的全部工作对话；团队管理者可以第一次真正量化「大家到底怎么用 AI 编程」。

为什么值得架构师关注

• 企业级 AI 编程治理的基础设施工件：合规审计（哪些代码被外发）、效能度量（接受率、工具分布）、成本归因（模型用量）都需要统一的会话数据层——这个仓库给出了 10 家工具的存储位置地图，相当于免做一轮调研。
• 微调数据管线的起点：真实工作中的 agent 轨迹（工具调用 + diff + 结果）正是训练内部代码助手最值钱的语料形态。
• 边界清醒：只读提取本地数据；各家 schema 差异大（Windsurf/Trae 依赖启发式解析），接入数据仓库前需自行校验字段完整性。

核心内容

• 支持 10 种来源：Claude Code、Codex CLI、Cursor、Windsurf、Trae、Continue、Gemini CLI、OpenCode、Cline/Roo Code、Aider。
• 提取内容：用户/AI 消息、代码上下文（文件路径、选区、片段）、代码 diff、工具调用及结果、时间戳、session ID、项目路径、模型名。
• 自动适配 macOS/Linux/Windows 的存储目录约定，无需指定操作系统。
• 存储形态覆盖三类：JSONL 文件（Claude Code/Codex）、SQLite（Cursor/Windsurf/Trae）、JSON/Markdown（Continue/Gemini CLI/Aider）。
• 工程亮点：Cline/Roo Code 存的是原始 Anthropic 格式消息数组，其解析器可直接复用为接入新工具的模板；Aider 无中央数据库、仅 Markdown 转录的形态也被单独处理。

行动建议

团队落地路径：先在一台开发机验证提取覆盖率，再批量接入生成「AI 使用基线报告」；若计划用于微调，注意先做敏感信息清洗（可结合本期的 maskit 思路）；纯备份用途可立即使用。