selfdistill · 蒸馏我

把和 AI 的聊天记录，在 AI 辅助 + 人工确认 下，蒸馏成看得见、带来源、AI 也用得上的个人档案，并写回你常用的 AI 工具，让它持续认识你。

数据默认留在本机；「蒸馏」这一步要调云端 AI，提交给模型的内容受该供应商数据政策约束。

在线查看 HTML Demo →

无需安装，示例内容全部为虚构数据；可直接查看 L1–L4 分层架构、内容分布、设计原则和协同流程（Demo 支持中 / EN 语言切换）。

这是什么

selfdistill 是一个「AI 自我蒸馏」工具包：把你在 ChatGPT / Claude / Codex / Gemini 等工具里的历史对话，提炼成 L1–L4 分级信息，并写回 AI 工具（Codex / Hermes / DeepSeek Harness）：

层级	内容	通俗解释	在 AI 工具里的加载方式
L1 协作契约	授权边界、汇报习惯、反馈信号、表达偏好	「怎么和我共事」	默认常驻：每次对话都生效（短、非敏感）
L2 决策逻辑	取舍原则、优先级、红线	「我会怎么做决定」	按需加载：涉及权衡、排序、风险判断时
L3 个人事实	身份、经历、偏好	「我是谁」	按需加载：涉及个人背景时；私密块默认不加载
L4 领域打法	可复用的工作方法	「我擅长什么、怎么做」	按需加载：进入对应领域任务时

设计原则：常驻内容最薄（L1），越往下越重、越按需；L3 只提供事实与默认偏好，不能发出行为命令；用户当前明确要求永远高于历史画像。

两个出口：① 本地多页 HTML 可视化；② 确认后增量写回你的 AI 工具（让 AI 持续认识你）。此外，仓库提供独立的工作证据整理入口：它帮助核验项目贡献，但不会自动进入 L4、简历或正式档案。

数据流

导出聊天记录 → 整理成统一 Markdown → AI 提炼 L1–L4 候选 → 逐条人工确认 → 写入 canonical/ → 构建 HTML / 写回 AI 工具

全程「人工确认」是硬规则：未经确认，不写入正式档案；写回前先展示 diff。

快速开始

你只需要做两件事：① 导出聊天记录 → ② 把项目链接和导出位置一句话发给你的 AI 助手。之后的整理、提炼、生成候选、构建、写回全部由 AI 助手完成，你只在最后逐条确认结果。

你要做的

按导入来源在对应 AI 工具里导出聊天记录，记下导出文件在本机的存放位置。
把项目链接发给你正在使用的 AI（Codex、Claude Code、Hermes 或 DeepSeek Harness 等），一句话说明：
```
按这个项目蒸馏我：https://github.com/ryunana/selfdistill
我的聊天记录导出在：<这里填导出文件在本机的路径>
```
AI 助手会自己 clone 项目、读取接手指令（AGENTS.md）、导入记录、提出 L1–L4 候选。
查看 AI 给出的候选，逐条确认、修改或拒绝；写回 AI 工具前再确认一次 diff。

使用 DeepSeek Harness 的用户可以安装 selfdistill 插件，让 DSH 的 agent 直接掌握这套工作流，无需每次发送上面的链接说明。

AI 助手会做什么（自动，无需你操心）

AI 助手 clone 项目后会自动读取根目录的 AGENTS.md 接手指令，按「导入 → 提炼候选 → 逐条确认 → 写 canonical/ → 构建 → 写回」执行。完整流程见 AGENTS.md 和 prompts/distill.md。

手动完成每个步骤的说明（不依赖 AI 助手）见下方各节。

首次蒸馏：从完整历史建立 L1–L4

先按 docs/intake.md 把获授权的聊天整理为统一 Markdown，再使用 prompts/distill.md。AI 必须完整阅读并报告范围、证据、冲突、时效和未读内容，只提出候选而不直接改正式档案。

L3 始终逐条确认；L1/L2/L4 中描述个人的内容，以及敏感、高风险、有争议或有冲突的内容，也都逐条确认。只有与个人无关、低风险、非敏感、无争议、无冲突的通用规则可以免逐条确认；它们仍必须单独可见、可撤回，并记录为 policy_accepted_general，绝不是用户逐条接受。无论候选如何通过，真正写文件前始终需要一次明确的 aggregate diff 确认。

templates/distill-candidates.md 是人看的审阅单；schemas/distill-candidate-v1.json 是给未来自动化准备的同一份字段契约。普通使用者不需要手写 JSON。

导入来源

自动导入器（推荐）：导出文件直接交给 import_chats.py，本地会话自动发现（先 dry-run 清单、确认后写入）：

python3 import_chats.py --source chatgpt  --path <导出目录>
python3 import_chats.py --source gemini   --path <Takeout 解压目录>
python3 import_chats.py --source deepseek --path <conversations.json 或 zip>
python3 import_chats.py --source local [--since YYYY-MM-DD] [--exclude glob] [--dry-run]
# local --path 指向混合 JSONL 目录时：
python3 import_chats.py --source local --path <目录> --local-format auto|codex|claude --dry-run

导入器会把 Gemini 的每次 Prompted 活动单独输出；ChatGPT 在 current_node 有效时只保留活动路径，只有字段缺失或为 null 时才会保留并拆分已验证的根到叶分支；字段存在但格式非法或所指节点不存在会拒绝并报告。DeepSeek 的分支会拆成独立会话，而不是拼成假对话。图片和授权附件只保留可读占位，模型思考、工具过程与已知本机内部注入不会进入 Markdown。--dry-run 会完整解析并显示预计新导入、更新、重复和失败数，但不会创建文件。退出码 0 表示成功（含预期内部内容排除），2 表示部分成功，1 表示全部失败或致命错误。

来源	导出入口速查	自动导入
ChatGPT 网页	左下角头像 → 设置 → 数据管理 → 导出数据；解压后得到 `conversations-*.json`	`--source chatgpt`
Gemini 网页 ⚗️	Google Takeout → 我的活动 → Gemini Apps → 导出；解压后得到 `我的活动记录.html`	`--source gemini`（每个 Prompted 活动一份会话；活动容器不可靠时停止并改用手工整理）
DeepSeek 网页	左下角头像 → 系统设置 → 数据管理 → 导出所有历史对话	`--source deepseek`
本机 Codex / Claude Code	会话保存在 `~/.codex/sessions`、`~/.claude/projects`	`--source local`（自动发现）

详细格式与手工整理 fallback 见 docs/intake.md。

产出与写回目标

① HTML 可视化

python3 build.py          # 生成 dist/
open dist/index.html      # L1–L4 分层架构、内容分布、设计原则、协同流程（支持中 / EN 切换）

② 写回 AI 工具（让 AI 持续认识你）

目标	装到哪	命令	加载方式
Codex	`~/.codex`（AGENTS.md + profile/ + skills/）	`python3 install.py --target codex`	Codex 自动读取 AGENTS.md，其余按需
Hermes	`~/.hermes/skills/`	`python3 install.py --target hermes`	Hermes skill 机制，按需加载
DeepSeek Harness	`$DSH_HOME`（默认 `~/.dsh`）	`python3 install.py --target dsh`	persona 常驻 L1，L2/L3/L4 为 skill 按需加载

每次写回都先展示 diff，确认后才写入；重复安装增量合并，不覆盖无关内容。

写回 DeepSeek Harness 的隐私分级

内容	写入位置	加载时机
L1 协作契约	`system-prompt.persona`（`$DSH_HOME/cordis.patch.yml`）	每个新对话常驻（短、非敏感）
L2 决策逻辑	`~/.dsh/skills/selfdistill-decision-logic/SKILL.md`	按需加载
L3 个人事实	`~/.dsh/skills/selfdistill-user-profile/SKILL.md`	按需加载；私密 L3 默认不写（`--include-private` 才包含）
L4 领域打法	`~/.dsh/skills/selfdistill-<领域>/SKILL.md`	按需加载

安装 selfdistill 插件（可选）

写回是把「档案」装进 DSH；插件则是让 DSH 的 agent 直接掌握 selfdistill 工作流（整理 → 提炼 → 逐条确认 → 构建 → 写回），安装后即可在 DSH 内完成整套流程：

dsh plugin --profile web add "github:ryunana/selfdistill#main&path:/dsh"
# 重启 dsh web 生效

插件包为零依赖 bundle（selfdistill-dsh），安装后 agent 的 skill 目录里出现 selfdistill；
发布到 npm 后可直接 dsh plugin --profile web add selfdistill-dsh。

重新导入一批新对话

如果新增的是一批完整聊天记录，继续把整理后的内容追加到 input/，重跑 prompts/distill.md，人工确认候选后再运行 python3 build.py（确实需要写回时再确认 install.py）。这个流程适合批量导入新的聊天记录，不需要任何调度器。

持续更新自己的档案

第一次蒸馏完成后，如果新增的是日常对话中的明确修正、表达偏差或边界补充，可以走更轻量的 inbox 流程，不必重新导入整批聊天记录：

按 schemas/inbox-v2.json 在 inbox/ 新建一个候选 JSON。直接来自对话的候选可以先把 evidence_ids 留空，状态使用 pending。
运行 python3 distill_audit.py audit。它会递归读取 canonical/**/*.md 和 inbox/*.json，生成完整的 reports/latest/ 证据包与六维覆盖报告；inbox/README.md 只作为说明登记。

每次运行 audit 都会重建并替换整个 reports/latest/。如果里面已有尚未处理的 discoveries.md 或 candidates/，请先完成审阅，或把需要保留的文件另存到 reports/latest/ 之外。
把 prompts/rediscovery.md 交给你当前选择的 AI，并要求它从头到尾阅读 reports/latest/evidence.md。要求它只把发现和待确认候选写回 reports/，不要修改 canonical/。
运行 python3 distill_audit.py verify reports/latest，确认来源没有漂移、候选格式正确、所有 evidence 引用真实存在，再逐条接受、拒绝或标记为未知。verify 不判断候选结论是否正确，也不能证明 AI 已完整阅读全部证据，最终仍需人工审阅；accepted 只表示你接受了候选，不表示它已经写入 canonical/。
由你人工把确认后的内容更新到 canonical/，然后继续使用原有 python3 build.py；确实需要写回 Codex、Hermes 或 DSH 时，再展示 diff 并明确确认 install.py --target ...。

工作证据：整理项目事实，不自动包装成果

把用户授权的项目材料交给 prompts/work-evidence.md。它会将项目背景、目标、职责、行动、交付物、结果、指标、来源和待补证分开，并严格区分参与、负责、主导与决策所有权。指标必须保留统计口径、时间窗口、基线和来源；缺失就留空，不补造数字、因果关系、职责或项目状态。

工作证据是独立、可选的审阅材料：所有个人贡献均需逐条确认，不存在通用规则免审，也不会自动写入简历、L4 或 canonical/。templates/work-evidence.md 供人工审阅；schemas/work-evidence-v1.json 供将来自动化读取，普通使用者无需手写 JSON。若日后确实要写文件，仍先展示并明确确认 aggregate diff。

隐私与安全

input/、inbox/、reports/、dist/ 都是本机数据或生成物，默认被 Git 忽略；仓库只保留 inbox 说明和 input/.gitkeep。不要把真实聊天、候选或报告提交到公开仓库。
数据默认留在本机；若把 evidence.md 等交给云端 AI，仍须遵守该模型供应商的数据政策。
私密 L3（canonical/03-l3-private.md）默认不构建、不写回；需要时用 python3 build.py --include-private。
所有写回都先展示 diff、人工确认后执行；重复安装增量合并，目标文件非 selfdistill 管理时拒绝覆盖。

依赖

纯 Python 标准库，无第三方依赖（Python 3.9+）。

发布前检查

python3 scripts/scan_before_release.py

该脚本只扫描当前工作树，不扫描 Git 历史；公开发布前还应确认历史中没有个人资料和本机作者身份。

License

MIT

selfdistill · 蒸馏我

English | 中文

把和 AI 的聊天记录，在 AI 辅助 + 人工确认 下，蒸馏成看得见、带来源、AI 也用得上的个人档案，并写回你常用的 AI 工具，让它持续认识你。

数据默认留在本机；「蒸馏」这一步要调云端 AI，提交给模型的内容受该供应商数据政策约束。

在线查看 HTML Demo →

无需安装，示例内容全部为虚构数据；可直接查看 L1–L4 分层架构、内容分布、设计原则和协同流程（Demo 支持中 / EN 语言切换）。

这是什么

层级	内容	通俗解释	在 AI 工具里的加载方式
L1 协作契约	授权边界、汇报习惯、反馈信号、表达偏好	「怎么和我共事」	默认常驻：每次对话都生效（短、非敏感）
L2 决策逻辑	取舍原则、优先级、红线	「我会怎么做决定」	按需加载：涉及权衡、排序、风险判断时
L3 个人事实	身份、经历、偏好	「我是谁」	按需加载：涉及个人背景时；私密块默认不加载
L4 领域打法	可复用的工作方法	「我擅长什么、怎么做」	按需加载：进入对应领域任务时

设计原则：常驻内容最薄（L1），越往下越重、越按需；L3 只提供事实与默认偏好，不能发出行为命令；用户当前明确要求永远高于历史画像。

数据流

导出聊天记录 → 整理成统一 Markdown → AI 提炼 L1–L4 候选 → 逐条人工确认 → 写入 canonical/ → 构建 HTML / 写回 AI 工具

全程「人工确认」是硬规则：未经确认，不写入正式档案；写回前先展示 diff。

快速开始

你要做的

按导入来源在对应 AI 工具里导出聊天记录，记下导出文件在本机的存放位置。
把项目链接发给你正在使用的 AI（Codex、Claude Code、Hermes 或 DeepSeek Harness 等），一句话说明：
```
按这个项目蒸馏我：https://github.com/ryunana/selfdistill
我的聊天记录导出在：<这里填导出文件在本机的路径>
```
AI 助手会自己 clone 项目、读取接手指令（AGENTS.md）、导入记录、提出 L1–L4 候选。
查看 AI 给出的候选，逐条确认、修改或拒绝；写回 AI 工具前再确认一次 diff。

使用 DeepSeek Harness 的用户可以安装 selfdistill 插件，让 DSH 的 agent 直接掌握这套工作流，无需每次发送上面的链接说明。

AI 助手会做什么（自动，无需你操心）

手动完成每个步骤的说明（不依赖 AI 助手）见下方各节。

首次蒸馏：从完整历史建立 L1–L4

templates/distill-candidates.md 是人看的审阅单；schemas/distill-candidate-v1.json 是给未来自动化准备的同一份字段契约。普通使用者不需要手写 JSON。

导入来源

自动导入器（推荐）：导出文件直接交给 import_chats.py，本地会话自动发现（先 dry-run 清单、确认后写入）：

python3 import_chats.py --source chatgpt  --path <导出目录>
python3 import_chats.py --source gemini   --path <Takeout 解压目录>
python3 import_chats.py --source deepseek --path <conversations.json 或 zip>
python3 import_chats.py --source local [--since YYYY-MM-DD] [--exclude glob] [--dry-run]
# local --path 指向混合 JSONL 目录时：
python3 import_chats.py --source local --path <目录> --local-format auto|codex|claude --dry-run

来源	导出入口速查	自动导入
ChatGPT 网页	左下角头像 → 设置 → 数据管理 → 导出数据；解压后得到 `conversations-*.json`	`--source chatgpt`
Gemini 网页 ⚗️	Google Takeout → 我的活动 → Gemini Apps → 导出；解压后得到 `我的活动记录.html`	`--source gemini`（每个 Prompted 活动一份会话；活动容器不可靠时停止并改用手工整理）
DeepSeek 网页	左下角头像 → 系统设置 → 数据管理 → 导出所有历史对话	`--source deepseek`
本机 Codex / Claude Code	会话保存在 `~/.codex/sessions`、`~/.claude/projects`	`--source local`（自动发现）

详细格式与手工整理 fallback 见 docs/intake.md。

产出与写回目标

① HTML 可视化

python3 build.py          # 生成 dist/
open dist/index.html      # L1–L4 分层架构、内容分布、设计原则、协同流程（支持中 / EN 切换）

② 写回 AI 工具（让 AI 持续认识你）

目标	装到哪	命令	加载方式
Codex	`~/.codex`（AGENTS.md + profile/ + skills/）	`python3 install.py --target codex`	Codex 自动读取 AGENTS.md，其余按需
Hermes	`~/.hermes/skills/`	`python3 install.py --target hermes`	Hermes skill 机制，按需加载
DeepSeek Harness	`$DSH_HOME`（默认 `~/.dsh`）	`python3 install.py --target dsh`	persona 常驻 L1，L2/L3/L4 为 skill 按需加载

每次写回都先展示 diff，确认后才写入；重复安装增量合并，不覆盖无关内容。

写回 DeepSeek Harness 的隐私分级

内容	写入位置	加载时机
L1 协作契约	`system-prompt.persona`（`$DSH_HOME/cordis.patch.yml`）	每个新对话常驻（短、非敏感）
L2 决策逻辑	`~/.dsh/skills/selfdistill-decision-logic/SKILL.md`	按需加载
L3 个人事实	`~/.dsh/skills/selfdistill-user-profile/SKILL.md`	按需加载；私密 L3 默认不写（`--include-private` 才包含）
L4 领域打法	`~/.dsh/skills/selfdistill-<领域>/SKILL.md`	按需加载

安装 selfdistill 插件（可选）

dsh plugin --profile web add "github:ryunana/selfdistill#main&path:/dsh"
# 重启 dsh web 生效

插件包为零依赖 bundle（selfdistill-dsh），安装后 agent 的 skill 目录里出现 selfdistill；
发布到 npm 后可直接 dsh plugin --profile web add selfdistill-dsh。

重新导入一批新对话

持续更新自己的档案

第一次蒸馏完成后，如果新增的是日常对话中的明确修正、表达偏差或边界补充，可以走更轻量的 inbox 流程，不必重新导入整批聊天记录：

按 schemas/inbox-v2.json 在 inbox/ 新建一个候选 JSON。直接来自对话的候选可以先把 evidence_ids 留空，状态使用 pending。
运行 python3 distill_audit.py audit。它会递归读取 canonical/**/*.md 和 inbox/*.json，生成完整的 reports/latest/ 证据包与六维覆盖报告；inbox/README.md 只作为说明登记。

每次运行 audit 都会重建并替换整个 reports/latest/。如果里面已有尚未处理的 discoveries.md 或 candidates/，请先完成审阅，或把需要保留的文件另存到 reports/latest/ 之外。
把 prompts/rediscovery.md 交给你当前选择的 AI，并要求它从头到尾阅读 reports/latest/evidence.md。要求它只把发现和待确认候选写回 reports/，不要修改 canonical/。
运行 python3 distill_audit.py verify reports/latest，确认来源没有漂移、候选格式正确、所有 evidence 引用真实存在，再逐条接受、拒绝或标记为未知。verify 不判断候选结论是否正确，也不能证明 AI 已完整阅读全部证据，最终仍需人工审阅；accepted 只表示你接受了候选，不表示它已经写入 canonical/。
由你人工把确认后的内容更新到 canonical/，然后继续使用原有 python3 build.py；确实需要写回 Codex、Hermes 或 DSH 时，再展示 diff 并明确确认 install.py --target ...。

工作证据：整理项目事实，不自动包装成果

隐私与安全

input/、inbox/、reports/、dist/ 都是本机数据或生成物，默认被 Git 忽略；仓库只保留 inbox 说明和 input/.gitkeep。不要把真实聊天、候选或报告提交到公开仓库。
数据默认留在本机；若把 evidence.md 等交给云端 AI，仍须遵守该模型供应商的数据政策。
私密 L3（canonical/03-l3-private.md）默认不构建、不写回；需要时用 python3 build.py --include-private。
所有写回都先展示 diff、人工确认后执行；重复安装增量合并，目标文件非 selfdistill 管理时拒绝覆盖。

依赖

纯 Python 标准库，无第三方依赖（Python 3.9+）。

发布前检查

python3 scripts/scan_before_release.py

该脚本只扫描当前工作树，不扫描 Git 历史；公开发布前还应确认历史中没有个人资料和本机作者身份。

License

MIT

ryunana/selfdistill

selfdistill · 蒸馏我

目录

这是什么

数据流

快速开始

你要做的

AI 助手会做什么（自动，无需你操心）

首次蒸馏：从完整历史建立 L1–L4

导入来源

产出与写回目标

① HTML 可视化

② 写回 AI 工具（让 AI 持续认识你）

写回 DeepSeek Harness 的隐私分级

安装 selfdistill 插件（可选）

重新导入一批新对话

持续更新自己的档案

工作证据：整理项目事实，不自动包装成果

隐私与安全

依赖

发布前检查

License

社区评论

ryunana/selfdistill

selfdistill · 蒸馏我

目录

这是什么

数据流

快速开始

你要做的

AI 助手会做什么（自动，无需你操心）

首次蒸馏：从完整历史建立 L1–L4

导入来源

产出与写回目标

① HTML 可视化

② 写回 AI 工具（让 AI 持续认识你）

写回 DeepSeek Harness 的隐私分级

安装 selfdistill 插件（可选）

重新导入一批新对话

持续更新自己的档案

工作证据：整理项目事实，不自动包装成果

隐私与安全

依赖

发布前检查

License

社区评论