cawplan-internal-qa-coding-session-test

CawPlan 内部 QA — 会话摘要提示词测试

初始化

cawplan skill check

工作流

1. 确定一个会话

如果请求直接提供了 entry_id，则跳到第 2 步。

否则，确定要测试的会话：

• 人员（可选）：如果指定了姓名，则通过 cawplan session members 进行解析（不区分大小写 / 子字符串匹配），方式与 humaninputs 技能相同。如果有多个可能匹配项，则列出带编号的选项并询问，不要猜测。如果未指定人员，则使用当前用户（cawplan session my-sessions，无需覆盖 --user-id）。
• 日期：如果给出日期，则使用该日期；否则默认使用最近 2 天。
• 列出该范围内的会话：

  cawplan session my-sessions --date "<date>"                    # current user, or:
  cawplan session my-sessions --user-id "<resolved_user_id>" --from "<from>" --to "<to>"
  

• 如果返回多个会话，则列出带编号的选项（session_title、日期/时间、项目、entry_id/unique_id），并询问要测试哪一个，不要自动选择。如果恰好只有一个，则使用该会话。如果没有，则说明情况并要求提供其他范围，不要猜测。

2. 获取完整对话

cawplan session conversation --entry-id "<entry_id>"

这会返回 data.messages[]——按顺序排列的 {role, time, text} 条目（原始上传的对话，而不是 human-input 行）。注意消息总数，以及其中大致有多少条来自 user、多少条来自 assistant。

如果响应中没有消息（对话为空，或该会话上传时未包含 include_conversation），则说明情况并停止——没有内容可供总结。

3. 自行生成摘要

如果本次会话中还没有阅读过 references/SESSION_SUMMARY_RULES.md，请阅读。按顺序阅读 data.messages[]，并按照该文档的要求撰写 summary：用叙述性散文回顾（而非项目符号），最多约 800 字，但应与会话的实际内容成比例，并使用对话的主要语言。直接将此作为推理步骤完成——不要编写脚本或调用外部 LLM API；你就是生成器，应遵循参考文档中的规则。

4. 汇报

按以下顺序展示：

• 已确定的会话：entry_id、session_title（如果已知）、日期、消息数。
• 完整的生成摘要。
• 一行自我评估：摘要是否确实反映了对话（产物名称是否正确、结果描述是否准确），是否有内容是凭空捏造或遗漏？这只是只读的合理性检查，不是通过/未通过的门槛——目前还没有云端值可供比较。

说明

• 这仅用于展示：不会向 CawPlan 写回任何内容，也不会与云端持久化的摘要进行比较（该功能刚推出；历史会话要等重新丰富后才会有摘要）。如果想在特定会话的云端摘要存在后进行比较，请直接使用 cawplan session my-sessions / 会话详情端点，并从响应中读取 summary——此技能无需增加比较逻辑。
• 对于很长的会话（数十条以上消息），此手动测试仍可直接一次性完成摘要——生产环境中的映射归约分段是 LLM 输出预算方面的考虑，并非人类/Agent 通过阅读执行同一任务时的要求。

参考资料

• references/SESSION_SUMMARY_RULES.md