Habit Coach

概述

充当AI问责伙伴，帮助建立、追踪和坚持好习惯。适用于日常习惯打卡、目标进度追踪、行为模式分析等场景。awesome-openclaw-usecases收录：带问责机制的习惯追踪器。

适用范围

适用场景：

• 每日习惯打卡记录
• 查看习惯连续坚持天数
• 制定新的习惯养成计划

不适用场景：

• 需要实时硬件控制或低延迟响应的场景
• 涉及敏感个人隐私数据的未授权处理

触发关键词: 习惯养成, 自律, habit tracker, 打卡, 问责

前置条件

pip install requests

⚠️ 首次使用前请确认依赖已安装，否则脚本将无法运行。

核心能力

能力1：个性化习惯计划制定与打卡追踪

个性化习惯计划制定与打卡追踪

能力2：AI问责伙伴——鼓励/提醒/分析原因

AI问责伙伴——鼓励/提醒/分析原因

能力3：习惯数据可视化与行为模式洞察

习惯数据可视化与行为模式洞察

命令列表

处理步骤

Step 1：习惯打卡

目标：打卡今日运动和阅读

为什么这一步重要：这是整个工作流的数据采集/初始化阶段，确保后续步骤基于准确的输入。

执行：

python3 scripts/habit_coach_tool.py track --habits 'exercise,reading' --status done

检查点：确认输出包含预期数据，无报错信息。

Step 2：进度回顾

目标：回顾本月习惯完成情况

为什么这一步重要：核心处理阶段，将原始数据转化为有价值的输出。

执行：

python3 scripts/habit_coach_tool.py review --range month --show-streaks

检查点：确认生成结果格式正确，内容完整。

Step 3：制定计划

目标：制定新的21天习惯计划

为什么这一步重要：最终输出阶段，将处理结果以可用的形式呈现。

执行：

python3 scripts/habit_coach_tool.py plan --habit '每天冥想10分钟' --duration 21d

检查点：确认最终输出符合预期格式和质量标准。

验证清单

• 依赖已安装：pip install requests
• Step 1 执行无报错，输出数据完整
• Step 2 处理结果符合预期格式
• Step 3 最终输出质量达标
• 无敏感信息泄露（API Key、密码等）

输出格式

# 📊 习惯养成教练报告

**生成时间**: YYYY-MM-DD HH:MM

## 核心发现
1. [关键发现1]
2. [关键发现2]
3. [关键发现3]

## 数据概览
| 指标 | 数值 | 趋势 | 评级 |
|------|------|------|------|
| 指标A | XXX | ↑ | ⭐⭐⭐⭐ |
| 指标B | YYY | → | ⭐⭐⭐ |

## 详细分析
[基于实际数据的多维度分析内容]

## 行动建议
| 优先级 | 建议 | 预期效果 |
|--------|------|----------|
| 🔴 高 | [具体建议] | [量化预期] |
| 🟡 中 | [具体建议] | [量化预期] |

参考资料

原有链接

• Atomic Habits框架

GitHub

• awesome-openclaw-usecases Habit Tracker

Reddit

• Reddit: AI习惯追踪与问责讨论

注意事项

• 所有分析基于脚本获取的实际数据，不编造数据
• 数据缺失字段标注"数据不可用"而非猜测
• 建议结合人工判断使用，AI分析仅供参考
• 首次使用请先安装依赖：pip install requests
• 如遇到API限流，请适当增加请求间隔