GrowthLoop – Plan & Habit Tracker

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。

Security Scan

This skill is internally coherent: it implements a local Python habit-tracking tool that reads/writes data in the user's OpenClaw workspace and its requirements match its behavior.

Purpose & Capability

Name/description (habit tracker, plan/habit supervision) align with the included code: agent logic, models, store, visualizer, reminder engine. Required binary is only python3 which matches. Data is persisted locally under the OpenClaw workspace; nothing in the code requires cloud credentials or unrelated system access.

Instruction Scope

SKILL.md instructs the agent to run the included Python CLI (agent.py and subcommands) and to read package reference files (references/*.md). That is consistent with the skill's purpose. One minor note: SKILL.md and code reference the OPENCLAW_WORKSPACE env var as a way to override data_dir, but requires.env in the registry lists no env vars — the env var is optional but used at runtime.

Install Mechanism

No install spec (instruction-only skill) and all code is bundled with the skill. There are no downloads, external package installs, or archive extraction steps in the manifest. Risk from installation is low.

Credentials

The skill asks for no credentials and only requires python3. It does read/write local files under ~/.openclaw/workspace by default. SKILL.md mentions OPENCLAW_WORKSPACE (optional override) and reminder help text includes examples referencing a REMINDER_ENDPOINT secret for GitHub Actions — those are guidance snippets, not required fields. No secrets or unrelated env vars are required.

Persistence & Privilege

always is false and the skill does not request global agent modifications or permanent system-wide privileges. It persists only its own data under a subdirectory of the OpenClaw workspace and maintains its own pending_reminders list.

Assessment

This skill implements a local habit-tracker in Python and appears to do what its description promises. Before installing: (1) be aware it will store habit data under ~/.openclaw/workspace/data/habit-tracker by default (you can override with OPENCLAW_WORKSPACE or pass --data-dir); review that directory if the contents are sensitive. (2) The reminder system is local and offers examples (crontab, curl, GitHub Actions) for triggering reminders — those are suggestions only; the skill does not implement a remote webhook endpoint by itself. If you plan to wire reminders into external services, carefully vet any network/secret configuration you add (e.g., REMINDER_ENDPOINT). (3) The bundle contains verify and helper scripts — run verify.py in an isolated/test environment first to confirm behavior. (4) No network calls, credential exfiltration, or obfuscated code were found in the provided files, but if you modify the skill to add push notification channels or external integrations, re-check those changes for needed credentials and network behavior.

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）