navigating-chatgpt-history

无需消化全部内容即可浏览聊天历史

当目标是便于查阅历史，而非立即完整摄取时，请使用此技能。

适用场景

• 在我导出的 ChatGPT 历史记录中搜索某个主题
• 弄清楚旧版助手对我的了解
• 呈现我们讨论过 X 的对话
• 将此导出内容作为外部记忆保留，仅在需要时检索
• 从 memories.json 或 projects.json 为 MemFS 提供初始数据

默认做法

将导出内容视为可供日后浏览的档案。

1. 如果 MemFS 档案索引存在，请先阅读：reference/chatgpt/index.md
2. 使用 scripts/inspect-export.py 检查导出内容
3. 先搜索或列出内容，再呈现大范围内容
4. 优先将发现保存到 reference/chatgpt/
5. 只有在事实持久、当前有效且值得在每轮对话中保留时，才将其纳入 system/human.md

除非用户明确要求，否则不要重新消化整个档案。

MemFS 中的档案布局

将外部记忆档案保存在 reference/chatgpt/ 下。

建议文件：

• reference/chatgpt/index.md — 源导出内容、架构说明、已知路径和检索策略
• reference/chatgpt/export-YYYY-MM-DD.md — 一份导出的清单和附属文件摘要
• reference/chatgpt/chatgpt-memory-summary-YYYY-MM-DD.md — 来自 memories.json 的内容
• reference/chatgpt/projects-YYYY-MM-DD.md — 有用时保存项目附属文件摘要
• reference/chatgpt/transcripts/NNN-slug.md — 精选的高价值对话摘要
• reference/chatgpt/notes/ — 日后整理的主题笔记

优先采用渐进式记忆。保持活动记忆精简。

脚本

scripts/inspect-export.py

首先使用。此脚本会盘点导出内容，并读取 memories.json、projects.json 和 users.json 等附属文件。

python3 scripts/inspect-export.py <export-path>
python3 scripts/inspect-export.py <export-path> --output /tmp/export-summary.md

scripts/list-conversations.py

用于按标题、最近时间或消息数量浏览对话。

python3 scripts/list-conversations.py <export-path> --limit 25
python3 scripts/list-conversations.py <export-path> --title-contains Letta --sort messages

scripts/search-conversations.py

标题信息不足时使用。

python3 scripts/search-conversations.py <export-path> --query "Recovery Bench"
python3 scripts/search-conversations.py <export-path> --query TFCC --role user --limit 20

scripts/render-conversation.py

知道索引后，用于查看单个对话。

python3 scripts/render-conversation.py <export-path> --index 212
python3 scripts/render-conversation.py <export-path> --index 212 --compact-nontext --output /tmp/chat-212.md

scripts/render-range.py

仅在搜索缩小范围后，用于查看有针对性的对话批次。

python3 scripts/render-range.py <export-path> --start-index 210 --end-index 220 --output-dir /tmp/chat-range

工作流

1. 从现有 MemFS 笔记入手

在处理原始导出内容前，先检查档案中是否已有：

• 导出内容摘要
• 先前的项目摘要
• 精选对话记录
• 同一主题的笔记

如果有，请优先使用这些内容。

2. 先检查，再挖掘

运行 inspect-export.py，了解：

• 这是哪种导出格式？
• 有多少段对话？
• memories.json 是否已包含综合记忆块？
• projects.json 是否包含有用的背景信息？

对于大型档案，这通常足以回答问题，无需挖掘原始对话。

3. 先缩小范围，再呈现

建议按以下顺序操作：

1. 使用 list-conversations.py 浏览
2. 使用 search-conversations.py 查找内容
3. 使用 render-conversation.py 深入阅读
4. 仅当多个相邻对话都相关时，才使用 render-range.py

不要仅仅因为可以，就呈现数十段聊天记录。

4. 先将发现写入渐进式记忆

如果某段对话很重要，请将其总结到：

• reference/chatgpt/transcripts/，用于保存高价值对话摘要
• reference/chatgpt/notes/，用于保存主题笔记

然后再判断是否有内容应纳入 system/human.md。

5. 纳入规则

只有在事实符合以下条件时，才将其纳入活动记忆：

• 明确说明或有强有力的证据支持
• 目前仍然有效，而非仅属于历史信息
• 很可能对许多未来对话都有用
• 每轮对话都保留在上下文中，风险较低

其他内容可以继续保留在 reference/chatgpt/ 中。

参考文件

创建或扩展 MemFS 档案布局时，请阅读 references/repository-layout.md。

导出格式说明

此技能适用于包含 conversations.json 和 chat_messages 的较新导出格式，同时也能处理使用 conversations-*.json 和 mapping 图的旧版分片导出格式。

如果不确定，请先运行 inspect-export.py，不要擅自假设其架构。