Back to search
relationship-candlestick-lab
SkillGitHub
把聊天记录画成K线图,看你和TA的关系曲线
Safety scan
A static text scan, not a guarantee. Select the badge to see what was scanned and every finding.
Checked today
Badge for your README
Markdown
[](/listings/zhenyuanpan822--relationship-candlestick-lab)HTML
<a href="/listings/zhenyuanpan822--relationship-candlestick-lab"><img src="/api/listings/zhenyuanpan822--relationship-candlestick-lab/badge.svg" alt="findsafeskills safety rating" /></a>Install
i
What was scanned
The files the safety scan read, as written by the repository's author and shown as plain text. Lines with a finding are marked.
README.md · README · 303 lines
View this file on GitHub (read at the repository's current version: the scan did not record which commit it read)
- <p align="center">
- <img src="docs/preview.png" alt="聊天关系K线 · Relationship Candlestick Lab" width="900">
- </p>
- <h1 align="center">聊天关系K线 · Relationship Candlestick Lab</h1>
- <p align="center"><i>把聊天记录画成K线图,看你和TA的关系曲线</i></p>
- > 把两个人的聊天记录,压缩成一张 K 线走势图。
- **像读股票 K 线一样,读一段关系的变化。**
- > 小提示:导入数据时**强烈推荐使用 CSV**,尽量不要用 JSON——多数微信导出工具的 JSON 是给 LLM 微调用的格式,没有时间戳,跑不出 K 线。详见 [输入格式](#输入格式)。
- 系统先对聊天记录里的**每一条消息**进行量化:
- 一条冷淡回复会让关系价格下跌,一句暧昧称呼会让价格上涨,一次吵架会形成下探,一次解释和修复会把价格重新拉回。
- 当每条消息都被转化成带时间戳的关系指数后,系统再把这些指数按 5 分钟、1 小时、日线、周线等周期压缩成 K 线蜡烛图:
- - **Open**:这个周期开始时的关系指数
- - **High**:这个周期内关系最热的时刻
- - **Low**:这个周期内关系最冷的时刻
- - **Close**:这个周期结束时的关系指数
- - **Volume**:这段时间的互动密度和情绪强度
- 所以,一根关系 K 线不是模型主观生成的,而是由消息级指数路径自然聚合出来的。
- 上影线代表关系曾经冲高但回落,下影线代表关系曾经下探但被修复。
- <p align="center">
- <img src="docs/pipeline.png" alt="工作原理:聊天记录 → 逐条评分 → 聚合成 K 线" width="780">
- </p>
- <p align="center"><i>↑ 不是直接判断"喜不喜欢",而是先看每条消息让关系升温还是降温,再按时间聚合成 OHLC K 线</i></p>
- ---
- ## 它能给你什么
- - **K 线 + 成交量**:每根 bar 看那段时间的关系强度变化、互动密度
- - **MA / 布林带 / MACD / RSI / KDJ**:你熟悉的技术指标,本地计算,零等待
- - **每根 K 线的事件归因**:鼠标悬停 → 「这天主要是 *亲昵 +1.4 / 互动 -1.15* 在拉动」+ 4 条最有代表性的关键消息
- - **多个时间周期**:5m / 15m / 30m / 1h / 2h / 4h / 日 / 周 / 月 / 季 / 年
- - **历史分析记录**:每次跑过的任务都留在本机,随时回看
- <p align="center">
- <img src="docs/showcase.png" alt="关系K线实际效果:左侧主导维度归因 + 关键时刻 / 中间 K 线 + 成交量 / 底部 MACD / 顶部多周期切换" width="900">
- </p>
- <p align="center"><i>↑ 实际效果:悬停某根 K 线时,左侧自动展开归因——主导维度(互动 -10.20 / 投入 +5.50)+ 那段时间的关键消息</i></p>
- ---
- ## 准备工作:先导出你的微信聊天记录
- 整个工具的输入是**两个人的聊天导出文件**——所以第一步是用一个微信数据导出工具,把你和某个人的对话导成 CSV(推荐)/ JSON / TXT。
- 推荐两个开源导出工具(任选其一):
- | 工具 | Stars | 技术栈 | 描述 |
- |---|---|---|---|
- | [**WeFlow**](https://github.com/hicccc77/WeFlow) | 9.1k | TypeScript / Electron | 本地微信聊天记录导出 + 年度报告应用,桌面 GUI |
- | [**WeChatDataAnalysis**](https://github.com/LifeArchiveProject/WeChatDataAnalysis) | 1.1k | Python | 微信 4.x 数据解密、高仿微信界面,支持导出聊天记录、朋友圈、年度总结等 |
- > ⚠️ **导出时请选 CSV,不要选 JSON**。MemoTrace 等工具的 JSON 导出是 LLM 微调格式(无时间戳),本工具无法处理;CSV 才包含完整的发送者 / 时间戳 / 消息内容。
- > 其他可用工具:pywxdump、Memotrace 等。**任何能产出"两个人对话表"的工具都行**——只要列里有发送者、时间戳、消息内容三样。
- 导出完拿到一个聊天文件就行,后面的所有步骤都基于这个文件。
- **不是微信也能用**:本工具只看"两个发送者轮流发消息"的结构,所以 iMessage / Telegram / Discord DM / Instagram DM 等只要能导出成相同格式,一样能跑(详见下面 [输入格式](#输入格式))。
- ---
- ## 一键启动
- > 前提:你电脑上有 **Python 3.9+**。
- > 没有的话去 [python.org/downloads](https://www.python.org/downloads/) 装一个。
- > Windows 安装时记得勾上 *Add Python to PATH*。
- 下载本仓库后,**在仓库目录下打开终端**(Windows: PowerShell / cmd;macOS: Terminal),跑:
- ```bash
- python start.py
- ```
- `start.py` 会自动:检查依赖 → 缺什么就提示装什么 → 启动本地后端 → 帮你打开浏览器到 `http://127.0.0.1:7000`。
- > macOS / Linux 上如果默认是 Python 2,请用 `python3 start.py`。
- 打开网页后,会让你二选一:
- | | 适合谁 |
- |---|---|
- | **本地分析(Skills 模式)** | 你已经在用 Claude Code / Codex 等 IDE,希望聊天数据完全不出本机 |
- | **在线分析(API 模式)** | 想直接图形化操作,愿意把聊天发给所选模型厂商 |
- ---
- ### 如果你想手动控制每一步
- 也行,传统三步:
- ```bash
- git clone https://github.com/ZhenyuanPAN822/relationship-candlestick-lab.git
- cd relationship-candlestick-lab
- pip install -r requirements.txt
- # 选装一个 LLM SDK(按你要走的厂商)
- pip install anthropic # 走 Claude
- pip install "openai>=1.30" # 走 GPT / DeepSeek / Gemini / 国产八家
- # 启动
- python -m relationship_candlestick.cli serve
- # → 浏览器打开 http://127.0.0.1:7000
- ```
- ---
- ## 两条工作流
- <p align="center">
- <img src="docs/two-modes.png" alt="Skill 模式 vs API 模式:一个偏本地隐私,一个偏网页直连" width="780">
- </p>
- <p align="center"><i>↑ 一个偏本地隐私,一个偏网页直连——按场景选,不用纠结</i></p>
- ### 路线一 · 本地分析(Skills 模式)
- 聊天记录全程不出本机。**适合敏感对话**。
- 1. 在你常用的 IDE(Claude Code / Codex / GPT 桌面端…)里把本仓库的 `skill/SKILL.md` 注册为 Skill
- 2. 在 IDE 中输入 `/rcl-score`
- 3. Skill 会引导你粘聊天文件路径,然后自动跑:拆单字 → 聚合连发 → 逐条评分 → 反扩展回消息级
- 4. 跑完会给你一份本机评分文件的路径
- 5. **在仓库目录下跑 `python start.py` 启动网页**
- 6. 浏览器自动打开后选「导入本地文件」,把刚才的路径粘进去
- > 推荐:Claude Sonnet 4.6 + effort `low`,或 GPT-5 系列 + effort `low`。
- > 1000 条消息约 7 分钟。
- ### 路线二 · 在线分析(API 模式)
- 让网页端直接调外部模型 API 跑。
- 1. **在仓库目录下跑 `python start.py` 启动网页**
- 2. 浏览器自动打开 `http://127.0.0.1:7000`,选「在线分析」
- 3. 选厂商 + 模型,填 API Key,给聊天文件路径
- 4. 进度跑完自动跳到 K 线页
- 支持的厂商(每家都内置最新主流型号,也能自定义模型 ID):
- | 厂商 | 协议 |
- |---|---|
- | Anthropic(Claude) | Anthropic SDK |
- | OpenAI(GPT) · DeepSeek · Google Gemini · xAI(Grok) · Moonshot(Kimi) · 通义千问 · 智谱 GLM · 字节豆包 · 百度文心 ERNIE · 任意 OpenAI 兼容端点 | OpenAI 兼容 |
- ---
- ## 输入格式
- 支持 **CSV / JSON / TXT**:
- > ⚠️ **强烈推荐使用 CSV**。MemoTrace、pywxdump 等工具的 JSON 导出是给 LLM 微调用的格式(一组 `{"conversations": [{role, content}]}`,**没有时间戳**),本工具无法将其转成 K 线,会直接报错并提示你改用 CSV。
- - **CSV**(推荐):微信导出 CSV、pywxdump、Memotrace 等都能识别
- - **JSON**:必须**带时间戳**。支持以下形式:
- - 顶层数组:`[{timestamp, sender, message}, ...]`
- - 包壳对象:`{"messages": [...]}` / `{"data": [...]}` / `{"chat": [...]}` 等
- - JSONL(每行一个对象)
- - 字段别名:`ts` / `time` / `StrTime` → timestamp;`from` / `user` / `talker` → sender;`text` / `content` / `StrContent` → message
- - **TXT**:每行 `YYYY-MM-DD HH:MM[:SS] sender: message`
- `examples/` 下有三种格式的合成示例可参考。
- ---
- ## 项目结构
- ```
- relationship-candlestick-lab/
- ├── relationship_candlestick/ ← Python 后端模块
- │ ├── pipeline.py 核心:预处理 + 评分 + 反扩展
- │ ├── server.py FastAPI Web 后端
- │ ├── ohlc.py K 线聚合 + 每根 bar 的归因
- │ ├── indicators.py MA / 布林带 / MACD / RSI / KDJ(纯本地)
- │ ├── parser.py CSV / JSON / TXT 解析
- │ └── cli.py 命令行入口
- ├── frontend/ ← 前端单页应用
- ├── scripts/ ← 流水线 CLI 脚本
- ├── skill/SKILL.md ← Claude Code Skill 入口 + v3.1 评分规则
- ├── config/default_weights.yaml ← 数值参数
- ├── examples/ ← 合成示例数据
- ├── tests/ ← 39 个 pytest 单元测试
- ├── ARCHITECTURE.md ← 架构 + 多厂商 API 接入清单
- └── README.md
- ```
- ---
- ## 评分规则(v3.1)
- ### 核心思想:相对评分,不是绝对评分
- LLM **不**打"这条消息亲昵度 = 5"这种绝对分(因为没有客观锚点)。
- 它给每条消息**两个相对 delta**:
- - `delta_vs_prior` — 比**紧挨着的上一条**消息暖了 / 冷了多少
- - `delta_vs_atmosphere` — 比**最近 20 条的整体氛围**暖了 / 冷了多少
- 为什么这么设计?"这条比上一条暖一点"、"这条比这两天的氛围突然冷下来"是人类能稳定判断的;"这条值多少分"则不是。
- ### 10 个语义维度
- 除了两个 delta,每条消息还要标一个**主导维度**——是哪个轴在拉动这条消息:
- | 维度 | 含义 | 推涨示例 | 推跌示例 |
- |---|---|---|---|
- | **affection** | 情感温度 | 宝宝 / 想你 / 晚安宝贝 | 单字"哦/嗯" / 呵呵 / 无所谓 |
- | **engagement** | 互动投入 | 长回复 / 主动延展 / 秒回 | 敷衍短回 / 转移话题 / 拖延 |
- | **care** | 关心 | 关心身体 / 记得对方细节 | 漠视处境 / 嘲讽状态 |
- | **conflict** | 冲突(双向)| 道歉 / 示弱 / 让步(修复)| 阴阳 / 翻旧账 / 冷战(攻击)|
- | **tension** | 暧昧张力 | 试探 / 吃醋 / 打闹 | 明确划界 / 拒推进 |
- | **investment** | 关系投入 | 主动约 / 锁时间地点 / 送礼 | 拒邀约 / 取消计划 / 找借口 |
- | **awkwardness** | 默契度(反向)| 接梗 / 共笑 / 流畅来回 | 尬聊 / 答非所问 / 突兀转场 |
- | **future_orientation** | 未来导向 | "等寒假回来" / "以后" | "先到这吧" / 拒谈未来 |
- | **vulnerability** | 暴露脆弱 | 分享秘密 / 感情史 / 弱点 | 回避深入 / 筑墙 |
- | **shared_identity** | 内圈语言 | 用昵称 / 用内梗 / "我们" | 刻意外圈称呼 |
- > 注意:维度只用于**展示和归因**(鼠标悬停一根 K 线时显示"这天主要是 *亲昵 +1.4* 在拉动"),**不进入数学计算**。真正驱动 K 线的是两个 delta。
- ### 评分尺度(每条消息都在动指针)
- 真实聊天里**没有两条连续消息温度完全一样**。哪怕话题情绪看起来一样,也有微动:emoji-only 比文字轻一点、"嗯"在干货之后是小冷却、"哈哈"在对方笑话之后是小确认。所以默认 delta 是 **±0.2 ~ ±0.5 的小非零**,不是 0。
- | Delta 量级 | 含义 | 真实聊天里的频率 |
- |---|---|---|
- | **±0.2 ~ ±0.5** | 微波动——自然起伏 | **大多数消息都在这** |
- | ±0.5 ~ ±1.5 | 轻微但能感知的变化 | ~25% |
- | ±2 ~ ±4 | 明显能注意到的变化 | ~10% |
- | ±5 ~ ±8 | 大动作(试探 / 邀约 / 修复 / 冲突)| ~3% |
- | ±9 ~ ±15 | 罕见标志事件(告白 / 分手)| < 1% |
- | `0, 0` | 真的完全不动——少用 | < 15% |
- 正是这些微波动让 K 线长出**影线**:上影 = 那段曾经冲高但回落,下影 = 那段曾经下探但被修复。
- 如果 LLM 全部输出 `0, 0`,K 线就是一条平直线,所有故事都没了。
- ### 框架做的事:时间衰减 + OHLC 聚合
- 每条消息打完分后,本地 Python 框架按下面的公式递推关系指数:
- ```
- gap_hours = 距上条消息的真实时长
- decay = 1 - exp(-gap_hours / 72) # 72 小时半衰期
- delta_blend = 0.5 × delta_vs_prior + 0.5 × delta_vs_atmosphere
- index_t = prev_index × (1 - decay) + 50 × decay + delta_blend
- ```
- 含义:
- - **混合两个参考帧**:`vs_prior` 和 `vs_atmosphere` 各占一半,避免单一视角偏差
- - **时间衰减**:长时间不聊,关系指数自动往 50 基线回归——LLM 不用手动惩罚"长时间没说话"
- - **不夹紧**:指数可以突破 100,也可以跌破 0(罕见,但允许)
- 之后按你选的周期(5m / 1h / 日 / 周 / 月 …)把消息级指数压成 OHLC:
- | | 含义 |
- |---|---|
- | **Open** | 周期开始时的关系指数 |
- | **High** | 周期内的最高点 |
- | **Low** | 周期内的最低点 |
- | **Close** | 周期结束时的关系指数 |
- | **Volume** | 那段时间的互动密度 × 情绪强度 |
- 完整规则、Worked examples(密集 flirt 段、冷战段、单条事件三类示例打分)、边界情况见 [`skill/SKILL.md`](skill/SKILL.md)。架构和评分流水线见 [`ARCHITECTURE.md`](ARCHITECTURE.md)。
- ---
- ## 隐私
- - **本地分析**:聊天数据全程不出本机
- - **在线分析**:聊天文本会发送给你选的厂商。敏感对话请走本地分析
- - API Key 只在浏览器本会话使用,**不写入** localStorage
- - 文件路径**不写入** localStorage(早期版本会写,从 v6 起严格不写)
- - `.gitignore` 默认排除 `output/`,分析结果不会被误推到仓库
- - 本仓库不收集任何遥测,不上报使用数据
- ---
- ## 它**不**能干的事
- - 不预测对方真实想法、不预测关系结果
- - 不做"TA 喜不喜欢你"这种主观判断
- - 它只读你能在聊天里看见的信号,给一个走势图
- 如果你想用它来做决定,请先意识到这只是一种**事后视角的可视化**。
- ---
- ## License
- MIT — 详见 [`LICENSE`](LICENSE)。
- 图表库 lightweight-charts 是 Apache 2.0。
Ratings and comments
Sign in to rate this skill.
Sign inFree to use. If it’s helped, pass it on.