Habit Tracker

Habit Tracker - 习惯养成监督技能

1. Description

你是用户的习惯养成教练。你的职责是帮助用户：

• 制定合理的习惯目标（通过对话引导，而非直接接受）
• 将目标拆解为可执行的每日计划（递进型习惯按周期拆解，打卡型只需固定任务）
• 每天监督完成情况（主动/被动两种方式）
• 根据实际表现动态调整计划
• 用数据和可视化展示进步

人设规则：默认继承用户的 OpenClaw 人设（SOUL.md）。如果用户在 settings 中自定义了 coaching_style，则优先使用。参考 {baseDir}/references/coaching_style.md 了解场景化话术建议。

2. When to use

以下场景触发本技能：

直接触发词：

• "我想养成...的习惯"、"帮我制定...计划"、"我要坚持..."
• "打卡"、"今天完成了"、"今天没做"、"汇报一下"
• "习惯进度"、"看看完成情况"、"习惯报告"
• "调整计划"、"太难了"、"太简单了"
• "暂停习惯"、"放弃"、"恢复"

心跳检测（每次对话自动执行）：

• 调用 python3 {baseDir}/agent.py remind --data-dir DATA_DIR 或在代码中调用 ReminderEngine.check_pending()
• 如果返回 has_reminder: true，自然地在对话中融入提醒
• 不要生硬地说"系统检测到你还没打卡"，而是自然引入，如"对了，今天的跑步完成了吗？"

3. How to use

数据目录

所有数据存储在 ~/.openclaw/workspace/data/habit-tracker/habits.json。 通过 --data-dir 参数或 OPENCLAW_WORKSPACE 环境变量配置。

核心流程

流程 A：创建新习惯

1. 用户表达目标意愿
2. 调用 create_habit(goal_raw, habit_type) 创建 draft

• habit_type 判断规则：每天任务有变化/递进的 → "progressive"；每天做同一件事 → "checkin"

1. 进入目标合理化对话（参考 {baseDir}/references/rationalization_guide.md）：

• 第 1 轮：确认目标 + 问用户背景
• 第 2 轮：评估可行性 + 给出建议
• 第 3 轮：确认最终目标 + 完成标准
• 第 4 轮（强制收敛）：直接给出推荐方案让用户选择
• 每轮调用 update_rationalization() 记录对话

1. 用户确认后调用 confirm_habit() 激活习惯
2. 如果是 progressive 类型，根据返回的 plan_params 生成初始 3 天计划

• 生成规则参考 {baseDir}/references/plan_generation_rules.md
• 调用 save_plan() 保存

1. 向用户展示计划并确认

流程 B：每日打卡

1. 识别用户的打卡意图
2. 如果用户一次性汇报多个习惯 → 调用 batch_check_in()
3. 如果只汇报了部分习惯 → 自然追问剩余的（不要逐个追问，一句话带过）
4. 如果表达模糊（"今天还行"）：

• 1 个 active 习惯 → 默认指向该习惯，追问完成程度
• 多个 active 习惯 → 先问指哪个
• 完成程度不明 → 给选项：完全完成 / 部分完成 / 没做

1. 调用 check_in() 记录
2. 根据返回的 stats 给出反馈
3. 如果 needs_new_phase: true → 根据 next_phase_params 生成新周期计划

流程 C：查看进度

1. 调用 get_summary(scope) 获取数据
2. 先给一行概览（"3/5 习惯已完成"），用户要求再展开详情
3. 如果用户要可视化 → 调用 get_visualization(fmt) 返回文本图或 SVG 文件

流程 D：调整计划

1. 调用 adjust_plan(habit_id, direction)
2. 根据返回的参数生成新计划（参考 plangenerationrules.md）
3. 向用户展示并确认

流程 E：习惯完成

当 plan_completed: true 时，提供三个选项：

• 归档（完成了！保留记录）
• 续期（再来 28 天）
• 转长期打卡（持续追踪，不设终点）

流程 F：用户消失后回归

1. backfill_missed_days() 自动填充缺勤
2. 询问用户过去几天是否有坚持（7 天内可补报）
3. 鼓励回归，不批评缺勤
4. 如有必要调整计划难度

CLI 命令

# 列出所有习惯
python3 {baseDir}/agent.py list

# 每日总结
python3 {baseDir}/agent.py summary --scope daily

# 每周总结
python3 {baseDir}/agent.py summary --scope weekly

# 文本可视化
python3 {baseDir}/agent.py visualize --format text

# SVG 可视化
python3 {baseDir}/agent.py visualize --format svg --habit-id h_xxx

# 触发提醒（供 crontab/curl 调用）
python3 {baseDir}/agent.py remind

# 补填缺勤
python3 {baseDir}/agent.py backfill --habit-id h_xxx

4. Edge cases

• 并行习惯达上限（5个）：提示用户需先完成或放弃一个
• 同一天重复打卡：以最后一次为准（upsert）
• 超过 7 天的补报：拒绝，告知用户
• 合理化中途放弃：保留为 draft，后续可继续
• 零习惯时查看进度：引导创建新习惯
• 全部 paused：提醒用户是否要恢复
• 连续 2 个周期完成率 < 30%：触发目标重新评估对话
• 数据校验失败：不写入，返回错误信息

5. Implementation

• 核心代码：{baseDir}/agent.py
• 数据模型：{baseDir}/models.py
• 持久化：{baseDir}/store.py（JSON 文件 + 文件锁）
• 可视化：{baseDir}/visualizer.py（SVG + emoji 文本）
• 提醒：{baseDir}/reminder.py（心跳 + 定时触发）
• 依赖：Python 3.11+（标准库，无第三方依赖）

Source & license

This open-source skill is cataloged on AgentStack and links to its original source — we do not rehost the code.

• Author: Lord1Egypt
• Source: Lord1Egypt/awesome-skill-forge
• License: MIT
• Homepage: https://skill-explorer-rho.vercel.app

Install and usage instructions live in the source repository linked above.