# Aicx > An Intention Retrieval Engine for Agents' sessions. aicx (formerly ai-contexters) is a sophisticated parser tool that recovers and keeps the central history of agents' sessions in both human- and agent-readable format. Additionally it provides ad-hoc mode to recover agent output that is too large to read or is unreadable. Works on any Claude Code, OpenAI Codex, Gemini JSON, JSONL-format file regardless of extension (.jsonl, .txt, .output). Generates output path automatically — no -o flag needed. - Skill: `vetcoders/aicx-2` (Agent Skill, multi-file: 2 files) - Install (CLI): `npx skillmds@latest add vetcoders/aicx-2` - Raw SKILL.md: https://api.skillmd.com/api/skills/vetcoders/aicx-2/raw - Safety review: pending - Works with: Claude Code, Claude.ai, OpenAI Codex - Category: AI & ML - Author: vetcoders (https://skillmd.com/u/vetcoders) - Updated: 2026-09-17 - Page: https://skillmd.com/skills/vetcoders/aicx-2 --- ## Kiedy używać Pozyskaj historyczny kontekst z poprzednich sesji AI dla tego projektu. Szukamy _dlaczego_, nie ślepego zrzutu _jak_. ## Checkpoint orientacji W pracy specyficznej dla repo uruchom lub skonsumuj procedurę `vc-init`, zanim zamienisz pamięć AICX w rekomendację. `Loctree:loctree` to domyślny skill percepcji strukturalnej dla tego przebiegu; użyj go, aby wygenerować lub odświeżyć Mapę Aplikacji Wyprowadzoną z Kodu (Code-Derived Application Map), zanim zaufasz starszym intencjom. Jeśli brakuje świeżych dowodów z `vc-init`, najpierw wykonaj przebieg init i traktuj rekomendacje specyficzne dla repo jako zablokowane, dopóki nie ma aktualnej prawdy repo. AICX wyjaśnia, dlaczego wcześniejsi agenci tak postąpili. Loctree i bieżące bramki repo decydują, czy ta intencja jest nadal prawdziwa. ## Doktryna pracy z repozytorium W pracy z repozytorium zacznij od Loctree jako mapy: użyj `loct context`, `loct occurrences`, `loct body` i `loct find --literal` przed szerokim ręcznym przeszukiwaniem. Używaj AICX do kontekstu intencji i sesji. Używaj rg/grep jako fallbacku lub lokalnej lupy, nie jako zamiennika mapowania strukturalnego. Jeśli Loctree zawiedzie lub przeoczy jakąś powierzchnię, dopisz feedback do `~/.vibecrafted/loctree/loctree-fail.md`. ## Zestaw narzędzi: 1. `aicx` (cli) oraz `aicx-mcp` (stdio i streamable-http): a) referencja mcp: - `mcp_aicx_aicx_rank` Ranguje przechowywane chunki sesji AI wg jakości treści. Pokazuje gęstość sygnału, współczynnik szumu i etykiety jakości (HIGH/MEDIUM/LOW/NOISE) per chunk. Użyj --strict, aby odfiltrować szum. - `mcp_aicx_aicx_search` Fuzzy search po przechowywanych chunkach sesji AI. Zwraca wyniki z oceną jakości i dopasowanymi liniami. Wspiera normalizację polskich znaków diakrytycznych oraz opcjonalne filtrowanie po projekcie. - `mcp_aicx_aicx_steer` Pozyskuje przechowywane chunki po metadanych sterujących (pola frontmattera). Filtruje po run_id, prompt_id, agent, kind, project i/lub zakresie dat, używając metadanych sidecar — bez potrzeby grepowania systemu plików. Zwraca ścieżki chunków wraz z ich metadanymi sidecar do selektywnego ponownego wejścia. b) referencja cli: - pełną dokumentację można pozyskać, wywołując `aicx --help`. c) starsze metody - **`aicx_refs(hours=, project="", strict=true)`** — wylistuj przechowywane pliki kontekstu - **`aicx_rank(project=, hours=168, strict=true, top=5)`** — priorytetyzuj najgęstsze chunki > To starsze punkty wejścia. Preferuj `aicx_search`; daje tę samą funkcjonalność i więcej. 2. `aicx intents` (cli): Wyciąga z historii sesji intencje projektu, wyniki, taski i decyzje architektoniczne do ustrukturyzowanych formatów. - Przykładowa ekstrakcja: `aicx intents -p --emit json | tee intents.json` - Podsumowanie przez jq: `jq 'map(.kind) | group_by(.) | map({kind: .[0], count: length})' intents.json` - Lista ostatnich intencji: `jq -r '.[] | select(.kind == "intent") | "[\\(.date)] \(.agent): \(.summary[0:150])..." ' intents.json | sort -r | head -n 15` ## Co zrozumieć: - Jaka była pierwotna intencja stojąca za architekturą? - Jaką prowizorkę nałożono późną nocą, żeby „po prostu zadziałało"? ## Dyscyplina: AICX to silnik pozyskiwania intencji, nie ślepe działo RAG. Pozyskaj kontekst decyzji, a potem zweryfikuj ich aktualną prawdziwość w Zmyśle 2. ## Struktura wyjścia: ``` [1-100/100 ] / | | session(s): cwd: search result: > > - > [HH:MM:SS] assistant: > [HH:MM:SS] user: source file(s): $HOME/.aicx/store//////.md ``` ## Narzędzie extract — użyj, gdy nie możesz odczytać wyniku agenta bezpośrednio: - Wyjście zbyt duże dla narzędzia Read (>10k tokenów) - Plik z wynikami narzędzi to surowy JSONL, nieczytelny dla człowieka - Subagent się wykrzaczył, ale zostawił częściowy log - Potrzebny kontekst poprzedniej sesji przed rozpoczęciem pracy 1. Komenda ```bash aicx extract --format {claude,codex,gemini,ollama} -o /tmp/aicx-extract-.md ``` `--format claude` parsuje JSONL z Claude Code, jak również strukturę json Gemini. Rozszerzenie pliku nie ma znaczenia — `.jsonl`, `.txt`, `.output` działają tak samo. **Ścieżka wyjściowa**: Wyprowadź z nazwy pliku wejściowego. Użyj basename pliku wejściowego (bez rozszerzenia) jako nazwy wyjścia: `/tmp/aicx-extract-.md`. Nigdy nie pytaj użytkownika o ścieżkę wyjściową. ## Gdzie znaleźć pliki wejściowe ``` $HOME/.claude/projects///tool-results/.txt # Agent result (most common) $HOME/.claude/projects///subagents/agent-.jsonl # Subagent session /private/tmp/claude-501/.../tasks/.output # Background task $HOME/.claude/projects//.jsonl # Full session ``` ## Przydatne flagi | Flaga | Efekt | | -------------------------- | ---------------------------------------- | | `--conversation` | Tylko user/assistant, bez szumu narzędzi | | `--max-message-chars 8000` | Przycina długie wiadomości | | `--user-only` | Tylko wiadomości użytkownika | ## Przykładowy flow odzyskiwania ```bash # 1. Extract (output path derived automatically from input basename) aicx extract --format claude \ $HOME/.claude/projects/-Users-foo-myrepo/abc123/tool-results/xy9z.txt \ -o /tmp/aicx-extract-xy9z.md # 2. Read the result Read /tmp/aicx-extract-xy9z.md ``` _𝚅𝚒𝚋𝚎𝚌𝚛𝚊𝚏𝚝𝚎𝚍. with AI Agents by Vetcoders (c)2024-2026 LibraxisAI_