Zeno-Zhu chatgpt-web
让 dsh / workbuddy / trae / codex 等任意 agent 通过一组固定命令操控网页版 ChatGPT， 而不是每次都让 agent 重新"思考整个操作流程"。
设计前提：ChatGPT 网页是最稳定的部分，所以把稳定操作固化成命令，把不稳定的判断留给上层 agent。
Load First
多轮研讨 / 思路研究 / 决策类问题，先读 THINKING.md —— 沟通思维协议：
- 三个 Gate 最小闭环：能不能开始 → 值不值得继续 → 能不能生效
- R1-R4 轮次协议、可跳过的判据与三个已知漏洞
- Decision Delta 与 Counterfactual Delta Gate（防"假装深入"）
- 方法论 Router（F/V/E/P/A/M/X → NONE / M1 六维思考 / M2 萃取 / M3 提示词 / M4 追问）
- 可直接抄的追问句式、五种停止状态、State Promotion Gate、PRD 触发条件
再做决策类调用时，读 COORDINATION.md —— 它规定了上层决策契约：
- 什么时候该调用 GPT（三维路由 Gate：Impact / Uncertainty / Gap）
- 何时建项目、何时新开会话、何时 handoff（一个连续推理状态 = 一个会话）
- token 预算与输出契约（prompt ≤6k 字符、read ≤4k 字符、按 mode 限输出）
- 协议 v1 的稳定字段与状态码
本文件的其余部分管"怎么可靠地送进去取回来"；协作边界看 COORDINATION.md。
0｜工作区硬规则（必须遵守）
本 Skill 只提供可复用能力，不是任务工作区。
- 先识别目标项目目录，并在目标项目中新建任务文件夹（如
<目标项目>/chatgpt-consult-20260920/）。 - 提问上下文、GPT 回答、截图、生成图片、日志一律写入该任务文件夹。
- 需要落盘时设
CHATGPT_OUT_DIR=<任务目录>，或先用read取回文本再自行写入。 - 任务产物绝不写入 Skill 目录：
scripts/只放可复用能力，不承载任何运行数据。 - 所有脚本必须接收显式输出路径，任何情况下都不能默认写入 Skill 目录。
- 无法判断目标目录时先问用户。
1｜Task Contract
Objective：把"需要外部判断/生成"的任务稳定地委托给网页版 ChatGPT，并把结果可验证地取回。
Inputs（权威事实源 = 用户指定的文件本身）
- 待问的问题（必需）
- 需要一并上传的文件（可选，给绝对路径）
- 目标会话：新聊天 / 指定会话 URL / 指定项目上下文（可选）
- 期望产物：文本 / 代码 / 图片 / 深度研究报告（可选）
- 输出路径：由调用方以
CHATGPT_OUT_DIR或--md/--save指定，脚本接收显式输出路径，不自行决定落盘位置
Deliverables
- GPT 的完整回答文本（截断时必须标注不完整）
- 会话 URL（
projectId+conversationId）——后续追问的入口 - 落盘的产物（图片 / Markdown），如需
Invariants
- 不导出、不复制、不保存 cookie / token / localStorage / storage_state。
/api/auth/session的accessToken只在内存里用于/backend-api/*（生图取图），不打印、不落盘、不进返回值。 - 不代替用户登录、过 MFA/CAPTCHA、点 OAuth 同意、绕过付费墙与限额。
- 不静默降级模型：要 Pro 却拿不到，就如实报告可见选项，让用户决定。
- 不往 ChatGPT 发送凭证类内容（cookie / API key / 私钥 / 身份证号），即使用户原始请求里带。
Authority
- 用户拥有最终业务决策权与不可逆动作的批准权（A0）。
- 取回与读取是低风险重复动作，agent 可自主执行后汇报（A2）。
- Agent 不得替用户做"是否采纳 GPT 建议"的判断。
2｜Runtime Profile：R1 Structured
固定多步 + Gate + 局部修复，不引入额外状态机。
Connect → Context → Compose → Send → Wait(Gate) → Read(Gate) → Commit → AskUser
└─ timeout/异常 → repair/询问/上报
原子动作 = CLI 子命令。注意：并非全部幂等，重跑前必须分清：
| 动作 | 命令 | 幂等? |
|---|---|---|
| Init（每台机器一次） | init [--browser X --user-data-dir Y] / config |
✅ 只读；init 不带参数只探测，带参数才写且已有绑定需 --force |
| Connect | launch |
✅ 已在运行则复用（并验证 profile 是否匹配） |
| Preflight | status / doctor |
✅ 只读 |
| Context | goto <url> / project <名> |
✅ 只读定位 |
| Context | new |
❌ 每次都开新会话 |
| Compose | send --text-file ... [--file ...] |
❌ 重跑 = 再发一条消息 |
| Wait | wait [--timeout 秒] |
✅ 只观察（会消费基线） |
| Read | read [--md] [--save] |
✅ 只读；--save 会再落一份文件 |
| Inspect | tabs / model [名] |
✅ 只读（model 带参会切换） |
| Image | image start |
❌ 重跑 = 再开一个会话再生一张（要防重就用 --request-id 之外的 jobId 记账；先 image list 看清在途） |
| Image | image list / wait / download |
✅ 只读；download 会再落一份文件 |
| Route | route --impact N --uncertainty N --gap N |
✅ 纯计算，决定该不该调用 |
send只有在明确确认上次未提交（submitted: false）时才可安全重跑。wait成功后不要重复send同一 prompt；需要追问请明确换内容。- 会改动会话状态的命令（
new/project/goto/send/wait/read/ask）持有全局互斥锁， 被占用时返回status: busy——串行等待，不要并发硬闯。
send 会写 uploadedCount，必须等于你传入的附件数；不等说明附件没挂上，不要继续。
3｜执行流程（agent 照此调用）
Step 0｜机器级绑定（每台机器一次，不是每次调用）
node <skill>/scripts/chatgpt.mjs config # 只读：现在会用哪个浏览器 / 哪个 profile，各自来自哪里
- 没绑定（
configExists: false，或effective.userDataDir为空）→ 先init探测，再显式绑定：init --browser "<chrome.exe>" --user-data-dir "<已登录 GPT 的 profile 目录>" [--profile-directory Default]。 - 不要为了省事让用户"再登录一次"：同一账号在多处重复登录容易触发风控；
优先复用用户已有的登录 profile（写进
~/.chatgpt-web/config.json，机器专属、不进 git）。 - 绑定是显式的：已有绑定要改必须加
--force；skill 不会自动改，也不会偷偷换 profile。
Step 1｜Preflight
node <skill>/scripts/chatgpt.mjs launch
node <skill>/scripts/chatgpt.mjs status # 必须看到 loggedIn: true
loggedIn: false → 停下，让用户在那个被打开的 Chrome 窗口里登录，然后重试。不要自己想办法登录。
profileVerified: false → 连上的是别的 profile（launch 会拒止）；null → 本平台无法验证，
可继续，但必须如实转述"没能证明用的是绑定 profile"。
Step 1.5｜先算路由 Gate（不要凭感觉决定要不要问）
node <skill>/scripts/chatgpt.mjs route --impact 2 --uncertainty 1 --gap 2 --json
mode: LOCAL→ 不要调用，本地解决。mode: LOCAL_FIRST→ 先做廉价本地验证，再复算。mode: CONSULT→ 继续，按返回的consultType写 prompt 并声明 mode。- 能力委托 / 外部事实 → 用
--mode generation/--mode evidence走 bypass。
判据与反模式见 COORDINATION.md 第 1 节。评分拿不准时不要跳过本步骤。
如果决定要问，且这是探讨/研究/决策类问题（而不是一次性事实查询）， 再算一次方法论 Router，决定用哪套思维与怎么追问：
node <skill>/scripts/chatgpt.mjs method --v 2 --e 0 --p 0 --a 0 --m 0 --f 0 --x 0 --json
primary: NONE是默认——不要为了"显得深入"套方法论。blocked: true（F=2）→ 先补事实再开始想（防"垃圾进 M2 / 过早进 M1"）。operator: M4（A=2）→ Authority 类未知不得用假设替代，必须问用户。action: decompose→ 多个方法论同时主导，拆阶段，一条 Atomic Action 只允许一个 Primary Method。
多轮研讨默认按 2-4 轮推进，但轮次不是深度：每轮必须产生 Decision Delta，
否则按 THINKING.md 的停止状态如实收口（含 Plateau 必须显式标记，不得伪装成收敛）。
Step 2｜选上下文
- 默认：
new（普通新聊天）。 - 用户说"在 X 项目里问"：
project X，并确认 placeholder 变成"X中的新聊天"；否则说明没进项目。 - 接着旧会话：
goto <url>。
Step 3｜组织上下文（关键质量点）
- 大文件不要整篇贴进 prompt：用
send --file <绝对路径>上传，让 GPT 自己读。 - prompt 里明确四件事：角色/目标、判断标准、输出格式、不确定时怎么办。
- 一次只问一件事。需要多方比较时，分开提问而不是堆在一段里。
⚠️ ask / send 都接在"当前活跃会话"里。 每次委托前先明确 Step 2 的上下文
（new 开新会话 / goto 指定会话 / project 指定项目），否则问题会混进上一个话题。
Step 4｜发送并等待
# 长 prompt 用 --text-file，避免 shell 转义问题；附件可重复 --file
node <skill>/scripts/chatgpt.mjs send --request-id req-20260920-1 \
--text-file /abs/prompt.md --file /abs/a.md --file /abs/b.pdf --json
node <skill>/scripts/chatgpt.mjs wait --timeout 600 --json
send必须在 JSON 里看到submitted: true，且uploadedCount等于你传的附件数； 数量不符或pendingText非空 → 说明没提交成功，不要进入 wait。send会自动记录本次请求基线（baselineTurns），wait读它并只认基线之后新增的轮次； 因此不要手工传 baseline，也不要跳过send直接wait。wait返回status: "success"才算完成。status是稳定状态码，见下表， 不要把非 success 的文本当成 GPT 的正常回答。wait内部有"回复已开始"的 latch：页面原本静止时不会误把上一条历史回答返回给你。
Step 5｜取回结果
node <skill>/scripts/chatgpt.mjs read --request-id req-20260920-1 --json # 默认只回前 4k 字符
node <skill>/scripts/chatgpt.mjs read --max-chars 20000 --json # 明确需要更多时
node <skill>/scripts/chatgpt.mjs read --md # 文本落盘为 Markdown
node <skill>/scripts/chatgpt.mjs read --save # 额外下载图片
- 默认只读前 4000 字符：GPT 可以写很多，你不必全部消费。返回里的
truncated/responseChars/readChars/readRatio就是给你控制上下文的。readRatio长期接近 1.0 说明选择性读取没起作用。 - 需要全文时先落盘（
--md始终写全文），再按需分段读，而不是一次性灌进上下文。 - 长回答可能被 GPT 侧截断（出现"继续生成"）。此时必须标注"可能不完整"，并可
send --text "继续"续写。 - 深度研究报告正文在 iframe 内，
read取不到时如实说明，不要假装拿到了。
Step 5.5｜生图任务（一张图 = 一个 GPT 会话）
# 一个任务 = 一个新会话（"窗口"）：发完提示词、等 URL 定型就返回，**不等生成**
node <skill>/scripts/chatgpt.mjs image start --text "画一张…" --json
# → { jobId, conversationId, url, urlStable: true, inFlight, max }
node <skill>/scripts/chatgpt.mjs image list --json # 每个任务：ready / generating / text_only / failed
node <skill>/scripts/chatgpt.mjs image wait --job <id> # 等某张出图
node <skill>/scripts/chatgpt.mjs image download --job <id> [--out <目录>]
node <skill>/scripts/chatgpt.mjs image download --all # 收所有已出图的
node <skill>/scripts/chatgpt.mjs image run --text "画一张…" # 单张：start → wait → download
取图有三条路，默认必须是 API（--mode api）：
| mode | 怎么拿 | 代价 | 什么时候用 |
|---|---|---|---|
api（默认） |
会话 JSON 的 image_asset_pointer → /files/<id>/download → download_url |
不碰页面、不依赖前台；~2s | 默认，无人值守 |
dom |
前台渲染出的 <img src=…estuary/content?id=…> → 只用 cookie 取字节 |
要抢前台（--allow-ui），冷加载要轮询最多 ~25s，实测整次 50s |
API 失效 / 要核对"浏览器自己加载的字节" |
native |
点原生"下载"按钮 + 接 download 事件 | 同上 + 依赖按钮存在 | 当前 UI 没有该按钮 → 会如实返回 NATIVE_ACTION_UNAVAILABLE |
- 三条路的字节实测完全一致（同 SHA-256），所以
--mode dom是可信的对照/兜底， 但不要把它当主链路：它会抢用户焦点、滚动、切会话。 --mode auto= 先 api；只有一张都没拿到且显式加了--allow-ui才退到 dom。 绝不静默走 native 点击。- UI 路径要独占窗口：会抢全局锁（占用时返回
status: busy）。
规则（照此执行，不要自己发明流程）：
- 可以连续开：
start返回后立刻可以start下一个新会话，生成在服务端并行； 默认同时在途上限 10（--max/CHATGPT_IMAGE_MAX/ configimageMaxInFlight可调）， 超了返回IMAGE_LIMIT_REACHED。"在途"= 还没被观测到完成的任务：跑一次image list/wait/download观测到出图后名额立即释放（不必等下载完）—— 所以只 start 不收图会把名额占满。 urlStable: false（极少数情况下 30s 内仍是临时WEB:id）→ 如实转述，别把它当稳定入口。- 收图不需要点回那个会话：
image download按会话 id 读会话 JSON 并下载。 这是故意不用 DOM 的：实测后台标签页里那些<img>根本不存在（只有空的image-gen-overlay-*壳），而且当前 UI 没有"图片下载"按钮（overlay 只有 编辑图片/分享此图片）。 前台 DOM 路径仍有（--mode dom --allow-ui），但慢且会抢用户焦点，只做兜底。 - 落盘：
<CHATGPT_OUT_DIR>/<jobId>/<序号>-<服务端文件名>.<ext>+images.json元数据 （fileId / 字节数 / 宽高 / 校验结果）。一张图一个文件，多张自动编号。 - 状态语义：
ready=有图可下；generating=还在生成；text_only=模型只回了文字（没出图， 把lastText原样给用户看）；failed=报错/会话不可访问。 - 凭证：
/backend-api/*需要应用内 access token（/api/auth/session）。 只在内存里用于本次请求，绝不打印、绝不落盘、绝不返回值里带上——这是 Protected Rule。
Step 6｜异常路由（只走已定义出口）
wait 的 status 与出口一一对应：
| status / 现象 | 出口 | 动作 |
|---|---|---|
success |
commit | 进入 Step 7 |
IMAGE_LIMIT_REACHED |
wait | 在途已达上限 → 先 image list/download 观测掉已出图的（名额自动释放），再 start |
IMAGE_JOB_NOT_FOUND |
repair | image list 确认 jobId / conversationId |
FOREGROUND_REQUIRED |
ask user | --mode dom/native 需要抢前台 → 加 --allow-ui，或改用默认 --mode api |
NATIVE_ACTION_UNAVAILABLE |
repair | 当前 UI 没有图片下载按钮 → 换 --mode api（或 dom） |
IMAGE_ASSET_NOT_FOUND |
repair | 会话 JSON / 前台 DOM 里都没有该 fileId 的图 → 先 image wait 确认是否出图 |
DOWNLOAD_EVENT_TIMEOUT |
repair | native 点击后没等到 download 事件（多半是命中/改版）；用 api/dom 兜底并记录 |
生图 text_only |
report | 模型没出图只回了文字 → 原文给用户，别假装有图 |
attachment-not-confirmed |
repair | 附件 chip 没确认渲染 → 本次未发送（不要当成功）；看 probe/attachInput |
NO_CDP |
repair | 跑 launch，失败则报告 |
CHROME_NOT_FOUND |
repair | 绑定的浏览器路径不存在或本机没有浏览器 → init --browser <绝对路径> |
SPAWN_FAILED / CDP_TIMEOUT |
repair | 浏览器没起来 / 起来了但没开调试端口；先手工执行 hint 里的命令看报错 |
PROFILE_MISMATCH |
stop | CDP 端口上跑的不是绑定 profile → 不要把它的会话当结果；按 hint 修（换实例/改绑定） |
PROFILE_IN_USE_NO_CDP |
ask user | 绑定的 profile 正被没有调试端口的浏览器占用；请用户用 hint 里的参数重启，不许杀用户浏览器、不许换 profile |
PROFILE_IN_USE_OTHER_PORT |
ask user | 同一 profile 已被另一个可调试实例占用（hint 里有端口）；要么复用它，要么先关掉 |
CONFIG_ERROR |
ask user | ~/.chatgpt-web/config.json 坏了或要改绑定 → 修好或加 --force，不要绕过 |
NOT_LOGGED_IN / auth_required |
ask user | 让用户登录，不代劳 |
no_response_started |
repair | 本次请求根本没开始生成；重新 send |
timeout |
continue/ask | 已开始但没写完；再 wait 一轮，累计别超用户可接受上限 |
conversation_drift |
stop | 页面跑到别的会话了，绝不能把当前文本当结果；重新定位会话 |
rate_limit |
ask user | 报告限额，不重试硬闯 |
network_error / ui_changed |
repair | 原样转述页面文字；疑似改版时只改 references/chatgpt-dom.md |
empty_response |
repair | 重试一次，仍空则报告 |
busy |
wait | 另一任务正占用浏览器，串行等待，不要并发硬闯 |
| 模型不可用 | ask user | 报告可见选项，不静默替换 |
| OAuth / CAPTCHA / 澄清弹窗 | ask user | 停下，原样转述页面文字 |
| 选择器失效 | repair | 只改 references/chatgpt-dom.md + scripts/，业务提示词不动 |
Step 7｜Commit
- 会话 URL（
projectId/conversationId）+ 回答 + 验证结果，写入任务目录。 - 明确区分GPT 的原始输出与你的加工，不得把中间产物当既定事实。
- 长期状态写进结构化 state file（
objective/locked_decisions/constraints/completed/open_questions/next_action），不要把聊天历史当状态数据库。
Step 8｜会话轮换（何时新开会话）
- 下一阶段依赖**"之前怎么讨论的"** → 保持当前会话（省 token）。
- 下一阶段只依赖**"之前决定了什么"** → 新会话 + state file。
- 契约变化（目标/交付物/验收标准/核心对象/角色）或相关性 <20% → 新会话。
- 保险丝：当前会话可见文本累计 >30k–50k 字符 → 总结 + handoff + 新会话。
判据见 COORDINATION.md 第 2 节。不要用"聊了多少轮"当判据。
4｜Validation
L1（机械，必须过）：status 的 loggedIn 为 true；send 返回 submitted: true；wait 返回 done: true；read 返回非空文本。
L2（语义）：回答是否真的回应了问题？有无遗漏关键输入？是否只是"看似完成"（如只回了"好的"）？
L3（质量）：这份外部意见是否真的改变了下一步行动？若无价值，记录原因而不是硬凑。
5｜Autonomy 与边界
- 发送消息、等待、读取：A2（自主执行后汇报）。
- 上传用户文件：A1（默认执行；文件含敏感信息时先确认）。
- 触发分享/公开链接、删除会话/项目、清空 Memory：A0，必须先取得明确同意。
- 绝不杀用户的浏览器进程、绝不静默换 profile、绝不复制/迁移 cookie：
profile 被占用时如实报
PROFILE_IN_USE_*并请用户决定（复用还是重启）。 - 绑定的 profile 往往是用户的日常浏览器：动它之前先说清"会在那个窗口里开会话/切标签页"。
6｜复盘与迭代
- 在任务目录保存：请求、关键输入与输出、验证结果、用户修正、成功或失败原因。不要默认收集整段原始会话。
- 一次只改一个目标文件。同类证据积累足够后，新建 evolution 任务目录，先跑
dry-run无改动预检，再产出候选与对照验证；候选只能暂存，必须经过独立审阅报告后才允许采用，定时任务不得自动采用。 - 只把重复出现且已定位的问题变成规则；重复的人工动作才脚本化。
- 进化必须能 Add / Modify / Remove。用户契约、权限边界与平台硬限制属 Protected Rules，不因近期样本无退步而删除。
- 质量候选需在 key 指标上无不可接受退步，并保留 held-out / 留出集 门禁防止过拟合。
- 没有可检查的质量信号时，保持休眠，先定义未来能收集的证据。不要伪造分数，不要自建自动自改循环。
7｜环境与接入
| 项 | 值 |
|---|---|
| 脚本位置 | <skill>/scripts/chatgpt.mjs（安装到 $DSH_HOME/skills/chatgpt-web/，DSH_HOME 未设时为 ~/.dsh/skills/） |
| 依赖 | Node ≥ 20 + playwright-core（在 skill 目录 npm install，离线可用） |
| 机器级绑定 | ~/.chatgpt-web/config.json：browserPath / userDataDir / profileDirectory / cdpPort / agent（机器专属，不进 git） |
| 绑定优先级 | 环境变量 > config.json > <skill>/.env.agent（宿主级实例名）> 默认值 |
| 安装 | node scripts/install.mjs [--dry-run] [--only dsh] [--root <skills 目录>]（Windows 可用）；bash 版 scripts/install.sh（跟随 DSH_HOME） |
| 浏览器 | 用 init 绑定的那个（Windows 上会探测 Chrome/Beta/Dev/Canary/Chromium/Edge/Brave） |
| CDP | 默认 http://127.0.0.1:9444（cdpPort / CHATGPT_CDP_PORT 可改） |
| 为什么必须显式绑定 | 运行中的 Chrome 无法事后开启 CDP；同一 user-data-dir 同时只能有一个可调试实例；Chrome 136+ 禁止默认 user-data-dir 开调试端口；重复登录有风控风险 |
首次使用只需登录一次，之后所有 agent 复用同一实例。
8｜Avoid
- 不要让 agent 每次重新探索 ChatGPT 页面（这正是本 Skill 要消除的开销）。
- 不要把选择器写进业务提示词或聊天上下文；只改
references/chatgpt-dom.md。 - 不要并发在同一会话里发多条消息（会串线）；并发请用不同会话。
- 不要用固定
sleep代替wait的完成判定。 - 不要为了"看起来完成"而截断或改写 GPT 的回答。