GrowthLoop – Plan & Habit Tracker

---

name: habit-tracker description: 习惯养成监督技能。帮助用户制定合理目标、拆解可执行计划、每日监督打卡、动态调整难度、可视化追踪进度。支持同时跟进最多5个习惯。 version: 1.0.0 author: ziyi user-invocable: true metadata: {"openclaw": {"requires": {"bins": ["python3"]}, "emoji": "🎯"}}

---

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" 3. 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 4. 用户确认后调用 confirm_habit() 激活习惯 5. 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 6. 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 5. 调用 check_in() 记录 6. 根据返回的 stats 给出反馈 7. 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 plan_generation_rules.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）