AI Coding Assistant 聊天记录提取工具：bawadou/ai-data-extractor

当 Claude Code 的对话记录消失时

2025年末，一位开发者发现自己的 Claude Code 聊天记录在一场系统重装后化为乌有——多年积累的代码片段、调试思路、项目回顾全部清零。这不是个案。随着 AI 编程助手成为开发者的日常工具，其本地存储的聊天记录正在成为一座被忽视的数据金矿：它记录着开发者的思考路径、代码习惯、错误纠正过程——这些都是微调专属 AI 编程模型的珍贵语料。然而，这些数据散落在各家工具的私有数据库中，没有统一格式，无法直接使用。

bawadou/ai-data-extractor 正是为解决这一痛点而生：它是一个完全免费、开源的 CLI 工具，能够从 10 款主流 AI 编程助手中自动发现并提取聊天记录，统一转换为 JSONL 格式，让数据真正可用。

支持的工具：覆盖最主流 AI 编程助手

目前该工具支持以下 10 款工具的数据提取：

工具支持 macOS、Linux 和 Windows 全平台，自动搜索各操作系统的标准应用数据目录，无需手动指定路径。

技术实现：模块化 + 零依赖

项目采用极简设计哲学：零第三方依赖，仅使用 Python 标准库（sqlite3、json、pathlib）实现全部功能，Python 3.9+ 即可运行。

整体架构分为两层：

核心抽象层（extractors/common.py）：提供跨平台数据目录发现、JSONL/JSON 安全读取、SQLite 只读查询（含临时文件保护）、启发式 KV 存储提取等通用能力。

具体提取器（extractors/*.py）：每个工具对应一个独立模块，遵循统一的 find_installations() + extract() 接口契约，复制 continue_ext.py 即可快速添加新工具支持。

以 Cursor 为例，其 SQLite 数据库 schema 从未公开，且经历了至少三次格式变化（workspace chat、inline composer、split bubbleId composer），项目对每种格式都有显式实现。Windsurf 和 Trae 因 schema 变化频繁，改用通用启发式方法（heuristic_extract_chat_from_kv），通过 key 关键字匹配 + JSON 结构扫描来提取对话，降低了维护成本。

数据库读取方面，所有 SQLite 操作都通过临时文件副本进行：读取时先将原数据库复制到临时文件，再对副本执行只读查询，确保即使应用正在运行也不会因数据库锁而失败，体现了极高的工程严谨度。

输出格式：标准化 JSONL

所有提取结果统一输出为 JSONL 格式，每行一个完整会话：

{
  "messages": [
    {"role": "user", "content": "...", "code_context": [...], "timestamp": "..."},
    {"role": "assistant", "content": "...", "tool_use": [...], "timestamp": "..."}
  ],
  "source": "cursor-composer",
  "session_id": "...",
  "project_path": "/Users/you/project",
  "name": "项目名称",
  "created_at": 1705414222000
}

提取完成后可一键合并为 all_conversations.jsonl，直接对接 HuggingFace datasets 库用于微调训练。

使用场景与上手门槛

主要使用场景：

• 个人数据备份：防止聊天记录因系统重装、工具卸载而丢失
• 微调数据准备：将个人对话语料转换为标准化格式，用于训练专属编程模型
• 代码审查辅助：回溯 AI 给出的建议和修改，理解代码演进过程
• 隐私审计：扫描导出数据中是否包含 API Key、敏感信息

上手门槛极低：无需安装任何依赖，执行 python extract.py 或 ./extract_all.sh 即可自动发现已安装工具并导出数据。CLI 支持交互式菜单选择来源、--all 一键全量提取、--list 预览发现结果、--merge 合并输出。

局限性需要正视：Windsurf/Trae 等使用启发式提取的工具，在 schema 更新后可能需要手动调整 KEY_HINTS；Aider 的 Markdown 格式解析依赖目录结构，扫描深度有限；项目本身是纯 CLI 工具，缺少可视化界面，对非技术用户不够友好。

隐私安全：数据只属于你自己

工具明确声明：它只读取本地设备上你自己的聊天记录，绝不向任何服务器发送数据。在使用导出数据进行分享或训练前，项目建议使用 detect-secrets 扫描导出的 JSONL 文件，并手动检查 code_context 和 tool_use 字段中是否包含 API Key 或专有代码。

行业意义：填补 AI 编程数据标准化空白

随着 Claude Code、Cursor、Windsurf 等工具用户量快速增长，本地积累的聊天数据规模极为可观。然而，这些数据长期处于"数据孤岛"状态——各工具存储格式各异、无法互通。ai-data-extractor 以最小的依赖代价，提供了统一的标准化出口，让开发者能够真正掌控自己的 AI 编程数据资产。随着 AI 编程助手成为主流开发范式，这类数据提取工具的价值将持续提升。