你每天和 AI 讨论架构、修 bug、拆任务，最后这些高价值判断都去哪了？

大概率是：死在终端日志里。

这有点荒谬。我们愿意把代码提交到 Git，把笔记放进 Obsidian，把文档同步到云端，却经常把最密集的工程思考过程留在 ~/.codex 和 ~/.claude 这种“存在但不会再看”的角落里。

所以我做了一个小工具：ai-convo-exporter。

把 AI 对话从终端带回知识库

问题不是“没有记录”，而是“记录不可用”

Codex 和 Claude Code 其实都会保存对话。

Claude Code 的记录大致在：

1

~/.claude/projects/**/*.jsonl

Codex 的记录大致在：

1
2

~/.codex/sessions/**/*.jsonl
~/.codex/archived_sessions/*.jsonl

问题是，保存了不等于可复用。

这些 JSONL 原始 transcript 对机器友好，对人不友好。你想找“上次那个 ads-attribution 项目里，我和 Codex 讨论 Diana UI 怎么启动来着”，通常不会去翻一堆 UUID 文件。更现实的情况是：重新问一遍 AI，重新烧一遍上下文，重新踩一遍坑。

原始日志很多，但真正可读的知识很少

我想要的是另一种形态：

需求直接翻原始日志导出到 Obsidian
按项目查找很难，要理解工具内部目录规则直接按 project 文件夹
全文搜索可以 grep，但体验粗糙Obsidian 原生搜索
跨机器复用路径不同，容易散vault 同步即可
保留原始记录有，但不适合阅读Markdown + raw JSONL 双份保存
后续再加工成本高frontmatter + tags + Dataview

这就是 ai-convo-exporter 的核心目标：把 AI 对话从“工具内部状态”变成“个人知识资产”。

它怎么组织你的对话？

工具的设计原则很简单：按项目，而不是按 AI 工具。

因为你真正关心的不是“这条对话来自 Codex 还是 Claude Code”，而是“它属于哪个项目”。同一个项目里，今天可能用 Codex 查代码，明天用 Claude Code 写实现。最后应该沉淀到同一个知识空间里。

导出后的目录长这样：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13

Obsidian Vault/
  AI Conversations/
    Projects/
      luoli523__ads-attribution/
        _index.md
        sessions/
          2026-05-08 0947 codex 019e0544 保存对话.md
          2026-04-27 1621 claude fd7d3855 实现 FxRate.md
        raw/
          codex/
            019e0544-7beb-7983-a458-de94206793f8.jsonl
          claude/
            fd7d3855-0b5d-482d-a008-0827ab6cd875.jsonl

这里有一个小细节：项目文件夹不是直接用本机绝对路径。

如果一个项目有 git remote，工具会优先用 remote path 做稳定 ID，比如：

1

git@github.com:luoli523/ads_attribution.git

会被转换成：

1

luoli523__ads-attribution

这样换一台机器，即使 checkout 路径从 /Users/li.luo/dev/git/... 变成 /Users/foo/code/...，同一个项目仍然会进入同一个 Obsidian 文件夹。

按项目聚合 Codex 和 Claude Code 对话

每篇笔记都不是纯文本，而是可查询对象

每段对话会生成一篇 Markdown，开头带 frontmatter：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17

---
type: ai-conversation
provider: codex
session_id: 019e0544-7beb-7983-a458-de94206793f8
project: luoli523/ads_attribution
project_slug: luoli523__ads-attribution
created: 2026-05-08T09:47:14+08:00
cwd: /Users/li.luo/dev/git/ads_attribution
git_repo: https://github.com/luoli523/ads_attribution
git_branch: main
machine: macbook
raw_transcript: ../raw/codex/019e0544-7beb-7983-a458-de94206793f8.jsonl
tags:
  - ai/conversation
  - provider/codex
  - project/luoli523__ads-attribution
---

这让它不只是“看起来像笔记”，而是能被 Obsidian、Dataview、搜索和标签系统继续使用。

比如你可以查：

  • 最近一周我在哪些项目里大量使用了 Codex？
  • 某个项目里 Claude Code 和 Codex 分别处理过哪些任务？
  • 哪些对话发生在某台机器上？
  • 哪些讨论和某个 git repo 或 branch 有关？

AI 对话一旦结构化，就不只是聊天记录，而是工程过程的审计日志。

安装方式：checkout 后一条命令生效

我不想为这个工具引入复杂依赖，所以它只使用 Python 标准库。

安装方式：

1
2
3

git clone https://github.com/luoli523/ai-convo-exporter
cd ai-convo-exporter
./install.sh --vault "$HOME/Documents/Obsidian Vault"

安装脚本会做几件事：

动作文件
写本地配置~/.config/ai-convo-exporter/config.json
安装命令包装器~/.local/bin/ai-convo-exporter
添加 Claude Code Stop hook~/.claude/settings.json
添加 Codex Stop hook~/.codex/hooks.json
启用 Codex hooks~/.codex/config.toml

后续每次 Codex 或 Claude Code 对话结束，Stop hook 会自动调用：

1
2

ai-convo-exporter hook --provider codex
ai-convo-exporter hook --provider claude

Stop hook 自动把 transcript 导出到 Obsidian

安装是幂等的。重复执行 ./install.sh 不会不断追加重复 hook，这一点很重要。配置工具最怕“装一次能用，装三次变成玄学现场”。

历史记录也能补导入

如果你已经用了很久 Codex 或 Claude Code，可以执行：

1

ai-convo-exporter backfill

它会扫描默认位置：

1
2
3

~/.claude/projects/**/*.jsonl
~/.codex/sessions/**/*.jsonl
~/.codex/archived_sessions/*.jsonl

然后批量导入到 Obsidian。

如果你想先看看当前配置是否正确：

1

ai-convo-exporter doctor

典型输出类似：

1
2
3
4
5
6
7

Config: /Users/li.luo/.config/ai-convo-exporter/config.json
Vault: /Users/li.luo/Documents/Obsidian Vault
Conversations dir: AI Conversations
Timezone: Asia/Singapore
Claude settings: /Users/li.luo/.claude/settings.json
Codex hooks: /Users/li.luo/.codex/hooks.json
Codex config: /Users/li.luo/.codex/config.toml

安装、诊断、补导入三条命令形成闭环

我真正想保留下来的不是“答案”

很多人把 AI 对话当成一次性问答：问完、复制、结束。

但在编程场景里，真正有价值的往往不是最终答案，而是中间过程：

  • 这个方案为什么被放弃？
  • 当时为什么选这个目录结构？
  • 某个 bug 的根因是怎么定位出来的？
  • 哪个测试失败暴露了真实问题？
  • 我是怎么让 Agent 从错误方向回来的？

这些内容如果不沉淀，会变成一种很可惜的损耗：你花钱、花 token、花时间训练出来的上下文，只活了一次。

ai-convo-exporter 解决的不是“备份聊天记录”这么小的事情。它更像是在给个人开发工作流补一个缺口：让 AI 协作过程变成可检索、可复盘、可迁移的工程资产。

适合谁用？

如果你只是偶尔问 AI 一个命令怎么写，这个工具可能没那么必要。

但如果你有下面这些习惯，它会很有用：

  • 用 Codex 或 Claude Code 深度探索项目
  • 让 AI 帮你做架构决策和代码审查
  • 经常跨多个项目切换
  • 多台机器同时开发
  • 已经在用 Obsidian 管理长期知识
  • 想复盘自己和 AI 协作的工作方式

一句话：当你的 AI 对话已经有复用价值，就值得被当成知识来管理。

Takeaway：把 AI 对话纳入你的知识系统

如果你想试用，只需要三步：

  1. clone 仓库：git clone https://github.com/luoli523/ai-convo-exporter
  2. 安装 hook：./install.sh --vault "$HOME/Documents/Obsidian Vault"
  3. 可选补导入：ai-convo-exporter backfill

以后每次 Codex 或 Claude Code 对话结束，它都会自动进入 Obsidian。

这件事的收益不是第一天就爆炸，而是一个月后你搜索某个项目时，突然发现：原来那些曾经散落在终端里的判断、踩坑和上下文，现在都回来了。

参考资料