企业官网建设流程全解析

最近在多款 AI 编程助手之间来回切换时，一个很现实的痛点越来越明显：Claude Code、Codex、Grok、OpenCode 这些工具各自的会话记录，都散落在终端缓冲区、本地 JSONL 日志或各自的数据目录里。想厘清“某个问题让哪个模型看过、另一个模型是怎么回答的、最终又是哪版方案被采纳”，往往要反复翻终端回滚、复制粘贴、重新整理，非常低效。

本文要解决的就是这个问题：如何把 Claude、Codex、Grok、OpenCode 的会话统一保存进一个“无限画布”（Infinite Canvas），让原本线性的、容易丢失的对话日志，变成一张可缩放、可移动、可点击交互的知识地图。我会从核心概念讲起，然后给出完整的 Python 转换脚本，覆盖环境准备、会话导出、格式转换、画布导入全流程，最后附上常见的安装与报错排查思路。

文章适合正在使用 AI 编程助手、希望做会话复盘和知识沉淀的开发者；即使目前只安装了其中一两个工具，也可以直接套用这套思路。读完你不仅能把会话保存下来，还能自己扩展画布生成规则，把不同工具的会话按时间轴或按项目分泳道排列。

1. 背景与核心概念

1.1 为什么 AI 编程会话难以沉淀

Claude Code、Codex、OpenCode 这类终端型 AI 编程助手，本质上都是“对话即开发工具”：你在终端里发指令，模型读代码、改代码、执行命令，再把结果反馈给你。每次交互产生的对话记录，隐藏着问题的上下文、调试思路、方案取舍，是比代码本身更宝贵的过程数据。

但问题在于，这些会话默认是“一次性”的。终端缓冲区滚动几千行后，早期内容就被冲走；虽然部分工具会落盘保存 JSONL 日志，但日志格式不统一、字段复杂，普通人很难直接阅读。更麻烦的是，多工具混用时，Claude Code 的解决方案和 Codex 的解决方案互相独立，缺少一个统一视角来对比、串联、回放。

1.2 Infinite Canvas 是什么

Infinite Canvas（无限画布）是一种 UI 交互范式：画布没有固定边界，用户可以在二维平面上自由平移、缩放，放置任意数量的节点。常见的产品包括 tldraw、Excalidraw、Figma、Miro，也包括 Obsidian 的 Canvas 核心插件。

用在 AI 会话管理上，无限画布的优势非常明显。它可以放下几十次、上百次对话节点，不会像终端一样被滚动条限制；节点之间可以用连线表达“上下文延续”“方案对比”“错误修复”等关系；而且画布本身就是结构化 JSON 数据，可以由脚本自动生成。换句话说，无限画布是 AI 会话日志的一种理想“可视化落点”。

1.3 本文要构建的系统

想象这样一个流程：

1. Claude Code、Codex、Grok、OpenCode 在各自工具中产生会话。
2. 我们把会话导出为 Markdown 或 JSONL 文件。
3. 用脚本清洗、提取关键文本。
4. 脚本把这些文本生成无限画布文件（本文以 Obsidian Canvas 的.canvasJSON 格式为例）。
5. 在 Obsidian、tldraw 或 Excalidraw 中打开，得到一张可以缩放、拖拽、标注的“AI 协作全景图”。

这个流程不依赖某个工具的私有格式，只要会导出文本或 JSON，就能接入自己的画布生成脚本。下面我们逐步实现。

2. 环境准备与工具版本说明

2.1 运行环境

本文示例在以下环境中验证通过：

• 操作系统：Windows 10/11、macOS、Linux 均可
• Python：3.8 及以上版本
• Node.js：16 及以上版本（如果使用 npm 安装 CLI 工具）
• 终端：PowerShell、bash、zsh 均可

版本需要根据你的项目实际情况调整，本文示例以常见环境为例，重点演示配置思路。如果你本机还没有安装 Python，需要先去官网下载并加入 PATH，后面运行转换脚本时要用到。

2.2 安装 AI 编程助手

Claude Code、Codex、OpenCode 的安装方式各不相同，最常用的方式是 npm 全局安装，命令形如：

# Claude Code npm install -g @anthropic-ai/claude-code # Codex CLI npm install -g @openai/codex # OpenCode npm install -g opencode-ai

注意：不同工具更新速度很快，包名可能随版本变化，安装前建议以官方 README 为准。也有部分工具提供原生安装脚本，比如：

# 示例：使用官方安装脚本 curl -fsSL https://example.com/install.sh | bash

Grok 的情况略有不同，它既有独立的 Web/App 产品，也在部分场景下作为模型能力开放。本文重点不是讨论 Grok 本身怎么安装，而是假设你已经通过某个渠道使用过 Grok 并产生了对话内容，需要把相关内容导出保存。实际使用渠道请以官方文档为准。

2.3 安装无限画布客户端

我推荐首选 Obsidian，因为它的 Canvas 文件是纯 JSON，可以直接用脚本生成，且支持 Markdown 文本节点，非常适合展示技术会话。你只需要：

1. 从 Obsidian 官网下载客户端并安装。
2. 新建一个知识库（Vault）。
3. 在知识库内任意目录创建一个.canvas文件，Obsidian 会自动用 Canvas 视图打开。

如果你不想用 Obsidian，也可以尝试：

• tldraw：在线白板，支持导出.tldr/.tldraw文件。
• Excalidraw：开源白板，使用.excalidrawJSON 格式。
• Figma / FigJam：更偏设计协作，适合团队画布。

不过这些工具的 JSON 字段不够稳定，本文为了让大家能直接复现，重点使用 Obsidian Canvas 格式。

2.4 推荐项目结构

后面的实战会创建一个独立的目录，建议结构如下：

canvas-session-saver/ ├── sessions/ # 存放导出的会话文件 │ ├── claude_session.md │ ├── codex_session.md │ ├── grok_session.md │ └── opencode_session.md ├── scripts/ │ ├── convert_to_canvas.py # 核心转换脚本 │ └── export_sessions.sh # 会话文件整理脚本（可选） └── output/ └── ai-sessions.canvas # 生成的画布文件

先手动创建目录，后续步骤会往里填充内容。

3. 核心原理：从会话日志到无限画布

3.1 会话数据从哪里来

不同工具产生的会话文件格式不同，但大方向一致：

• Claude Code：历史版本会在用户目录下按项目保存 JSONL 会话日志，每条记录包含用户输入、模型输出、命令执行结果等。
• Codex CLI：会在数据目录下保存会话记录，内容同样以 JSON 或 JSONL 为主。
• OpenCode：开源终端编码助手，会话数据保存在本机数据目录中。
• Grok：如果是 Web/App 使用，通常需要手动复制对话内容，再保存为 Markdown。

无论哪种方式，只要我们能拿到“人能读懂的文本”，就可以统一处理。最简单的方法是在各工具界面里手动复制对话，粘贴成 Markdown 文件；更自动化的方式是用脚本读取 JSONL 日志并提取字段。本文的转换脚本同时支持.md和.jsonl两种输入，便于读者按实际条件接入。

3.2 Obsidian Canvas 的 JSON 结构

Obsidian Canvas 文件是 JSON，核心字段只有nodes和edges两个数组。节点（node）可以是文本、文件、分组；连线（edge）表示节点之间的语义关系。最小示例：

{ "nodes": [ { "id": "hello-node", "type": "text", "text": "## 这是一个文本节点", "x": 100, "y": 100, "width": 300, "height": 200 } ], "edges": [] }

字段说明：

• id：节点唯一标识，字符串即可。
• type：节点类型，text表示文本节点，group表示分组。
• text：文本内容，支持 Markdown 语法。
• x、y：节点左上角在画布中的坐标。
• width、height：节点宽高。

连线字段：

{ "edges": [ { "id": "edge-1", "fromNode": "hello-node", "fromSide": "bottom", "toNode": "other-node", "toSide": "top" } ] }

fromSide/toSide可取top、bottom、left、right，表示从哪个方向引出连线。Obsidian 会自动渲染成带箭头的连接线。理解了这两个数组，脚本生成画布就非常简单。

3.3 从线性日志到二维画布的映射

会话原本是线性的：一问一答、一进一出。映射到无限画布时，有两种常见布局：

• 泳道布局：每个 AI 工具占一列（泳道），同一工具下的多次会话沿纵向排列，横向可以对比不同工具对同一个问题的处理方式。
• 时间线布局：所有会话按时间顺序横向排列，适合复盘一次完整项目的推进过程。

本文示例脚本使用两列网格布局，把每个会话拆成“标题节点 + 内容节点”，再用连线连接。学会之后可以自行改成泳道布局：只调整坐标计算逻辑即可。

4. 完整实战：把 4 种 AI 会话保存到无限画布

4.1 准备示例会话文件

先在sessions目录下创建 4 个 Markdown 文件。这里以真实场景为例，内容可以简化，但结构要保持一致：标题用#开头，正文自然分段。

第一个示例文件sessions/claude_session.md：

# Claude Code 会话：修复页面白屏问题 - 时间：2025-06-01 10:00 - 任务：定位前端页面白屏 用户：页面打开后一直白屏，控制台没有明显报错。 助手：先检查路由配置和入口文件的挂载逻辑，重点排查 main.tsx 是否渲染了根组件。 用户：发现 App.tsx 里某个 hook 抛异常导致整个树卸载。 助手：给错误边界组件加上 fallback UI，避免整个应用崩溃。

第二个示例文件sessions/codex_session.md：

# Codex 会话：优化列表接口性能 - 时间：2025-06-01 11:20 - 任务：接口响应速度从 2s 降到 300ms 用户：分页查询 10 万条数据很慢。 助手：检查是否缺少索引，建议给 where 条件字段加复合索引，并优化 count 查询。 用户：加了索引之后只提升了一半。 助手：进一步使用覆盖索引，减少回表；同时把 sort 字段也加入索引。

第三个示例文件sessions/grok_session.md：

# Grok 会话：总结日志中的错误模式 - 时间：2025-06-01 14:05 - 任务：从最近 1 小时错误日志里归纳规律 用户：日志里频繁出现 ECONNRESET。 助手：ECONNRESET 通常表示连接被对端重置，可能是服务端 keep-alive 超时、负载均衡空闲断开或客户端未及时消费响应。 用户：大量请求集中在网关访问，如何处理。 助手：建议调整空闲连接回收时间，客户端增加重试机制并做指数退避。

第四个示例文件sessions/opencode_session.md：

# OpenCode 会话：补充单元测试 - 时间：2025-06-01 16:40 - 任务：为订单服务补充核心用例 用户：给 OrderService 里的 createOrder 方法写单测。 助手：先 mock 库存接口和事务管理器，再验证正常创建、库存不足、参数异常三条路径。 用户：测试运行时报 500，是 mock 没生效。 助手：检查测试类是否加了 @ExtendWith(MockitoExtension.class)，并确认 MockBean 的注入位置。

这几个文件内容可以按真实情况替换。核心是：每个文件代表一次独立会话，标题清晰、正文有上下文。

4.2 编写核心转换脚本

在scripts目录下创建convert_to_canvas.py，完整代码如下。这个脚本做四件事：

1. 遍历sessions目录下的.md和.jsonl文件。
2. 对.jsonl文件做轻量解析，提取文本内容。
3. 为每个会话生成一个“标题节点”和一个“内容节点”，并用连线连接。
4. 输出output/ai-sessions.canvas文件。

#!/usr/bin/env python3 """ 将多个 AI 编程助手会话文件转换为无限画布文件。 输出格式：Obsidian Canvas JSON (.canvas) 支持输入：Markdown (.md)、JSONL (.jsonl) """ import json import re from pathlib import Path # ------------- 配置项 ------------- SESSIONS_DIR = Path(__file__).resolve().parent.parent / "sessions" OUTPUT_DIR = Path(__file__).resolve().parent.parent / "output" OUTPUT_FILE = OUTPUT_DIR / "ai-sessions.canvas" NODE_WIDTH = 520 # 内容节点宽度 NODE_HEIGHT = 360 # 内容节点高度 TITLE_WIDTH = 220 # 标题节点宽度 GAP_X = 100 # 横向间距 GAP_Y = 120 # 纵向间距 MAX_TEXT_LENGTH = 2000 # 单节点最大文本长度 def clean_text(text: str, max_len: int = MAX_TEXT_LENGTH) -> str: """去掉多余空行，并截断过长的文本，避免画布节点过大。""" lines = [line.rstrip() for line in text.splitlines()] cleaned = [] blank = False for line in lines: if not line.strip(): if not blank: cleaned.append("") blank = True else: cleaned.append(line) blank = False result = "\n".join(cleaned).strip() if len(result) > max_len: result = result[:max_len] + "\n\n...(已截断，完整内容请查看原始文件)" return result def extract_first_title(file_path: Path, content: str) -> str: """从 Markdown 内容中提取一级标题，没有则使用文件名。""" m = re.search(r"^#\s+(.+)$", content, re.MULTILINE) if m: return m.group(1).strip() title = file_path.stem.replace("_", " ").replace("-", " ").title() return title def extract_text_from_obj(obj): """ 递归提取 JSONL 会话文本。 不同工具的 JSONL 字段不同，这里兼容了 content/text/message 等常见字段。 """ if isinstance(obj, str): return obj if isinstance(obj, list): return "\n".join(extract_text_from_obj(item) for item in obj if item) if isinstance(obj, dict): for key in ("content", "text", "message"): if key in obj: value = obj[key] if isinstance(value, str) and value.strip(): return value if isinstance(value, (dict, list)): inner = extract_text_from_obj(value) if inner and inner.strip(): return inner parts = [] for value in obj.values(): if isinstance(value, (dict, list, str)): text = extract_text_from_obj(value) if text and text.strip(): parts.append(text) return "\n".join(parts) return "" def load_session_text(file_path: Path) -> str: """根据文件扩展名读取会话文本。""" suffix = file_path.suffix.lower() if suffix == ".jsonl": parts = [] with file_path.open("r", encoding="utf-8", errors="ignore") as fp: for line in fp: line = line.strip() if not line: continue try: obj = json.loads(line) except json.JSONDecodeError: continue text = extract_text_from_obj(obj) if text and text.strip(): parts.append(text.strip()) return "\n".join(parts) # 默认按 Markdown 读取 return file_path.read_text(encoding="utf-8", errors="ignore") def build_canvas(session_files: list) -> dict: nodes = [] edges = [] x, y = 0, 0 for index, file_path in enumerate(session_files): content = load_session_text(file_path) title = extract_first_title(file_path, content) body = clean_text(content) title_node_id = f"title-node-{index}" content_node_id = f"content-node-{index}" # 标题节点 nodes.append({ "id": title_node_id, "type": "text", "text": f"## {title}\n\n源文件：{file_path.name}", "x": x, "y": y, "width": TITLE_WIDTH, "height": 90, }) # 内容节点 nodes.append({ "id": content_node_id, "type": "text", "text": body, "x": x + TITLE_WIDTH + 30, "y": y, "width": NODE_WIDTH, "height": NODE_HEIGHT, }) # 连线：标题节点右侧 -> 内容节点左侧 edges.append({ "id": f"edge-{index}", "fromNode": title_node_id, "fromSide": "right", "toNode": content_node_id, "toSide": "left", }) # 两列排布：偶数索引放左列，奇数索引放右列 if index % 2 == 1: x = 0 y += NODE_HEIGHT + GAP_Y else: x += TITLE_WIDTH + NODE_WIDTH + 30 + GAP_X return {"nodes": nodes, "edges": edges} def main(): OUTPUT_DIR.mkdir(parents=True, exist_ok=True) session_files = sorted( f for f in SESSIONS_DIR.iterdir() if f.is_file() and f.suffix.lower() in (".md", ".markdown", ".jsonl") ) if not session_files: raise SystemExit( f"未在 {SESSIONS_DIR} 目录下找到 .md 或 .jsonl 会话文件，请先准备会话数据。" ) canvas_data = build_canvas(session_files) with OUTPUT_FILE.open("w", encoding="utf-8") as fp: json.dump(canvas_data, fp, ensure_ascii=False, indent=2) print(f"已生成无限画布文件：{OUTPUT_FILE}") print( f"包含 {len(session_files)} 个会话，" f"{len(canvas_data['nodes'])} 个节点，" f"{len(canvas_data['edges'])} 条连线。" ) if __name__ == "__main__": main()

代码里需要注意几个关键点。

第一，clean_text会统一压缩空行，并把超过MAX_TEXT_LENGTH的文本截断。这是为了避免某个超大会话让画布节点变得无法操作，实际项目中可以根据需要调大这个值。

第二，extract_text_from_obj是一个“启发式”解析器，会递归查找content、text、message等常见字段。由于不同工具、不同版本的 JSONL 结构差异很大，真正接入时建议先打印一条日志样本，再调整字段优先级。

第三，坐标计算采用两列网格。偶数索引的会话放在左列，奇数索引放在右列；右列排满后回到左列并换行。这种布局简单清晰，后续改成泳道布局只需调整这里的坐标公式。

4.3 可选：会话文件整理脚本

如果你从工具数据目录直接拷贝 JSONL 文件，可以准备一个scripts/export_sessions.sh，把散落的会话复制到sessions目录。脚本本身很简单，重点是可以根据实际路径调整：

#!/usr/bin/env bash # 将指定目录下的 JSONL 会话文件复制到项目 sessions 目录 set -euo pipefail SESSION_SOURCE_DIR="${1:-$HOME/.codex/sessions}" DEST_DIR="$(cd "$(dirname "${BASH_SOURCE[0]}")/.." && pwd)/sessions" mkdir -p "$DEST_DIR" find "$SESSION_SOURCE_DIR" -name "*.jsonl" -mtime -30 -exec cp {} "$DEST_DIR/" \; echo "已将会话文件复制到 $DEST_DIR" ls -lh "$DEST_DIR"

注意：~/.codex/sessions只是示例路径，不同工具的数据目录可能完全不同。你可以先用下面的命令在用户目录下定位会话相关目录：

find "$HOME" -maxdepth 4 -type d \( -name "sessions" -o -name "projects" \) 2>/dev/null

不建议盲目录扫描全盘，那样会碰到权限问题，而且会复制到大量无关文件。

4.4 运行脚本并验证结果

回到项目根目录，运行：

cd canvas-session-saver python scripts/convert_to_canvas.py

正常输出：

已生成无限画布文件：/your/path/canvas-session-saver/output/ai-sessions.canvas 包含 4 个会话，8 个节点，4 条连线。

如果没有输出而是报错，请优先检查sessions目录下是否放入了示例文件，以及 Python 版本是否满足要求。

用文本编辑器打开output/ai-sessions.canvas，你会看到类似下面的 JSON 内容：

{ "nodes": [ { "id": "title-node-0", "type": "text", "text": "## Claude Code 会话：修复页面白屏问题\n\n源文件：claude_session.md", "x": 0, "y": 0, "width": 220, "height": 90 }, { "id": "content-node-0", "type": "text", "text": "# Claude Code 会话：修复页面白屏问题\n\n- 时间：2025-06-01 10:00\n- 任务：定位前端页面白屏\n\n用户：...", "x": 250, "y": 0, "width": 520, "height": 360 } ], "edges": [ { "id": "edge-0", "fromNode": "title-node-0", "fromSide": "right", "toNode": "content-node-0", "toSide": "left" } ] }

看到这个结构，说明数据层已经成功了。

4.5 导入 Obsidian 无限画布

打开 Obsidian，进入新建的知识库，把output/ai-sessions.canvas文件拖入文件面板中的任意目录。Obsidian 会自动识别并打开一个画布视图。在画布里你能看到：

• 左侧是每个会话的标题节点。
• 右侧是会话正文节点。
• 标题节点右侧到正文节点左侧有一条连线。

你可以用鼠标拖拽缩放，双击标题节点修改名称，或者在空白处右键新建文本节点做批注。因为这个画布是 Obsidian 库内文件，你可以在笔记中直接引用[[ai-sessions.canvas]]，也可以把画布嵌入到每日笔记或项目笔记中。

如果想换到 tldraw 或 Excalidraw，思路是一样的：写一个 JSON 转换器，把nodes/edges映射到对应产品的元素结构即可。核心工作永远是“把会话文本清洗规整”，后续格式转换只是适配层。

5. 常见问题与排查思路

AI 编程助手 + 无限画布的链路中，最常踩的坑反而在“会话数据获取”和“工具安装”环节。下面整理了几个高频问题。

其中第一个问题最常见。Node.js 安装后，npm install -g会把命令安装到全局目录，但这个目录可能不在系统 PATH 中。Windows 下排查方式如下：

npm prefix -g

输出结果就是全局前缀目录，把其中的node_modules/.bin（Windows 下通常为%APPDATA%\npm）加入 PATH，再重新打开终端输入claude --version验证。

第二个问题常见于系统权限受限的环境。claude native binary not installed这个报错提示原生二进制没有安装成功，通常是 npm 安装过程中postinstall脚本没有运行，可能是被安全软件拦截，也可能是磁盘权限不足。可尝试以管理员身份运行安装命令，或使用官方提供的安装脚本。

第三个问题与“会话保存”关系不算直接，但会卡住会话数据的生成。Codex CLI 允许配置不同的模型服务端点，如果你改写过model_providers，请求失败时优先检查 baseURL 是否能访问，以及远端服务是否与当前模型兼容。有些开发者会把 Codex 接到兼容 OpenAI API 的第三方模型服务，这时候认证方式和限流策略要以对应平台的政策为准。

6. 最佳实践与工程建议

把 AI 会话保存到无限画布，本质上是在建立一套个人/团队的知识沉淀系统。以下几个建议可以让这套系统长期好用。

第一，统一会话文件命名。建议用“工具_日期_主题”格式，例如claude_20250601_白屏修复.md。命名规范能让转换脚本自动生成的标题更清晰，也方便脚本按日期筛选最近会话。文件名尽量不要包含特殊符号，避免跨平台兼容问题。

第二，进入画布前先脱敏。终端会话往往包含真实路径、密钥、API Token、内部 IP 等信息。建议在导出后先做一轮脱敏处理，比如把 token 替换成***，把公司内部域名替换成example.com。可以写一个简单的正则替换函数放到转换脚本里，在生成画布节点前执行。

第三，按项目或按周分片。无限画布虽然“无限”，但节点过多时 Obsidian 自身的渲染压力会上升，而且知识地图一旦太密就失去了“可视化”的价值。我的经验是：一个画布控制在 20 到 50 个会话节点之间；超过后按周或按项目拆成多张画布，再画布之间用链接互相跳转。

第四，把自动化做成定时任务。如果每天都会产生大量会话，可以考虑用 cron（macOS/Linux）或“任务计划程序”（Windows）每天凌晨跑一次convert_to_canvas.py，把前一天的新会话追加到画布中。追加的难点在于不能重复生成已有节点，可以在生成脚本里维护一个“已处理文件哈希表”，只处理新增或变化的文件。

第五，尽量从源头导出结构化数据。手动复制粘贴虽然能用，但容易丢字段。更推荐从 JSONL 日志中提取结构化信息，比如会话开始时间、模型回复耗时、执行命令、报错信息等，把它们作为节点的属性存入画布。这样后期可以做统计，例如“哪个模型的回答被采纳最多”“哪类报错反复出现”。

第六，画布文件也应该纳入版本控制。sessions目录和output目录建议纳入 Git，这样画布内容可以回溯。如果会话包含敏感信息，可以考虑把原始日志放进.gitignore，只提交脱敏后的画布文件。另一个做法是使用 Git LFS，避免仓库体积过快膨胀。

第七，把画布变成团队知识库入口。在 Obsidian 中，可以在画布顶部添加一个“导航节点”，用链接指向相关需求文档、代码仓库地址、线上监控面板。这样画布就不只是会话回放，而是一张完整的“问题处理作战图”。新成员接手任务时，直接打开画布就能快速了解之前讨论过什么、踩过什么坑。

第八，关注官方导出能力变化。Claude Code、Codex、OpenCode 都在快速迭代，会话存储路径、文件格式、导出命令都可能变化。建议把“会话生命周期管理”作为一个独立需求来维护，而不是写死某个固定路径。最稳妥的方式是封装一个适配层，为每个工具提供单独的导出函数，再统一交给画布生成模块。

7. 总结与下一步实践

本文从“AI 会话难以沉淀”这个痛点出发，介绍了 Infinite Canvas 的概念，并完整实现了“Claude Code / Codex / Grok / OpenCode 会话 → Markdown/JSONL → Obsidian Canvas”的转换链路。你已经掌握：

• 各 AI 编程助手会话数据的基本来源和导出思路。
• Obsidian Canvas JSON 文件的核心结构。
• 用 Python 脚本把多个会话文件转换为无限画布的完整方法。
• 常见安装报错和画布文件问题的排查方向。
• 会话知识沉淀的工程化建议。

下一步可以继续做的方向很多：你可以改进脚本，把两列网格改成按工具分泳道；也可以加入 WordCloud 或统计分析，从大量会话中提炼高频问题；还可以把画布接入团队知识库，让每一次调试过程都变成可检索的组织资产。

如果本文对你有帮助，建议先按照 4.1 到 4.5 节的步骤跑通最小流程，再逐步替换成你自己的会话数据。动手之后，你会发现“保存会话”这件事，值得认真对待。