Skip to content
Back to search

relationship-candlestick-lab

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
findsafeskills safety rating

Markdown

[![findsafeskills safety rating](/api/listings/zhenyuanpan822--relationship-candlestick-lab/badge.svg)](/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)

  1. <p align="center">
  2. <img src="docs/preview.png" alt="聊天关系K线 · Relationship Candlestick Lab" width="900">
  3. </p>
  4. <h1 align="center">聊天关系K线 · Relationship Candlestick Lab</h1>
  5. <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>
  6. > 把两个人的聊天记录,压缩成一张 K 线走势图。
  7. **像读股票 K 线一样,读一段关系的变化。**
  8. > 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)。
  9. 系统先对聊天记录里的**每一条消息**进行量化:
  10. 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。
  11. 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:
  12. - **Open**:这个周期开始时的关系指数
  13. - **High**:这个周期内关系最热的时刻
  14. - **Low**:这个周期内关系最冷的时刻
  15. - **Close**:这个周期结束时的关系指数
  16. - **Volume**:这段时间的互动密度和情绪强度
  17. 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。
  18. 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。
  19. <p align="center">
  20. <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">
  21. </p>
  22. <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>
  23. ---
  24. ## 它能给你什么
  25. - **K 线 + 成交量**:每根 bar 看那段时间的关系强度变化、互动密度
  26. - **MA / 布林带 / MACD / RSI / KDJ**:你熟悉的技术指标,本地计算,零等待
  27. - **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
  28. - **多个时间周期**:5m / 15m / 30m / 1h / 2h / 4h / 日 / 周 / 月 / 季 / 年
  29. - **历史分析记录**:每次跑过的任务都留在本机,随时回看
  30. <p align="center">
  31. <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">
  32. </p>
  33. <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>
  34. ---
  35. ## 准备工作:先导出你的微信聊天记录
  36. 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。
  37. 推荐两个开源导出工具(任选其一):
  38. | 工具 | Stars | 技术栈 | 描述 |
  39. |---|---|---|---|
  40. | [**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 |
  41. | [**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 |
  42. > ⚠️ **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。
  43. > 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。
  44. 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。
  45. **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))。
  46. ---
  47. ## 一键启动
  48. > 前提:你电脑上有 **Python 3.9+**。
  49. > 没有的话去 [python.org/downloads](https://www.python.org/downloads/) 装一个。
  50. > Windows 安装时记得勾上 *Add Python to PATH*。
  51. 下载本仓库后,**在仓库目录下打开终端**(Windows: PowerShell / cmd;macOS: Terminal),跑:
  52. ```bash
  53. python start.py
  54. ```
  55. `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`。
  56. > macOS / Linux 上如果默认是 Python 2,请用 `python3 start.py`。
  57. 打开网页后,会让你二选一:
  58. | | 适合谁 |
  59. |---|---|
  60. | **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 |
  61. | **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 |
  62. ---
  63. ### 如果你想手动控制每一步
  64. 也行,传统三步:
  65. ```bash
  66. git clone https://github.com/ZhenyuanPAN822/relationship-candlestick-lab.git
  67. cd relationship-candlestick-lab
  68. pip install -r requirements.txt
  69. # 选装一个 LLM SDK(按你要走的厂商)
  70. pip install anthropic # 走 Claude
  71. pip install "openai>=1.30" # 走 GPT / DeepSeek / Gemini / 国产八家
  72. # 启动
  73. python -m relationship_candlestick.cli serve
  74. # → 浏览器打开 http://127.0.0.1:7000
  75. ```
  76. ---
  77. ## 两条工作流
  78. <p align="center">
  79. <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">
  80. </p>
  81. <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>
  82. ### 路线一 · 本地分析(Skills 模式)
  83. 聊天记录全程不出本机。**适合敏感对话**。
  84. 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
  85. 2. 在 IDE 中输入 `/rcl-score`
  86. 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
  87. 4. 跑完会给你一份本机评分文件的路径
  88. 5. **在仓库目录下跑 `python start.py` 启动网页**
  89. 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
  90. > 推荐:Claude Sonnet 4.6 + effort `low`,或 GPT-5 系列 + effort `low`。
  91. > 1000 条消息约 7 分钟。
  92. ### 路线二 · 在线分析(API 模式)
  93. 让网页端直接调外部模型 API 跑。
  94. 1. **在仓库目录下跑 `python start.py` 启动网页**
  95. 2. 浏览器自动打开 `http://127.0.0.1:7000`,选「在线分析」
  96. 3. 选厂商 + 模型,填 API Key,给聊天文件路径
  97. 4. 进度跑完自动跳到 K 线页
  98. 支持的厂商(每家都内置最新主流型号,也能自定义模型 ID):
  99. | 厂商 | 协议 |
  100. |---|---|
  101. | Anthropic(Claude) | Anthropic SDK |
  102. | 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 |
  103. ---
  104. ## 输入格式
  105. 支持 **CSV / JSON / TXT**:
  106. > ⚠️ **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。
  107. - **CSV**(推荐):微信导出 CSV、pywxdump、Memotrace 等都能识别
  108. - **JSON**:必须**带时间戳**。支持以下形式:
  109. - 顶层数组:`[{timestamp, sender, message}, ...]`
  110. - 包壳对象:`{"messages": [...]}` / `{"data": [...]}` / `{"chat": [...]}` 等
  111. - JSONL(每行一个对象)
  112. - 字段别名:`ts` / `time` / `StrTime` → timestamp;`from` / `user` / `talker` → sender;`text` / `content` / `StrContent` → message
  113. - **TXT**:每行 `YYYY-MM-DD HH:MM[:SS] sender: message`
  114. `examples/` 下有三种格式的合成示例可参考。
  115. ---
  116. ## 项目结构
  117. ```
  118. relationship-candlestick-lab/
  119. ├── relationship_candlestick/ ← Python 后端模块
  120. │ ├── pipeline.py 核心:预处理 + 评分 + 反扩展
  121. │ ├── server.py FastAPI Web 后端
  122. │ ├── ohlc.py K 线聚合 + 每根 bar 的归因
  123. │ ├── indicators.py MA / 布林带 / MACD / RSI / KDJ(纯本地)
  124. │ ├── parser.py CSV / JSON / TXT 解析
  125. │ └── cli.py 命令行入口
  126. ├── frontend/ ← 前端单页应用
  127. ├── scripts/ ← 流水线 CLI 脚本
  128. ├── skill/SKILL.md ← Claude Code Skill 入口 + v3.1 评分规则
  129. ├── config/default_weights.yaml ← 数值参数
  130. ├── examples/ ← 合成示例数据
  131. ├── tests/ ← 39 个 pytest 单元测试
  132. ├── ARCHITECTURE.md ← 架构 + 多厂商 API 接入清单
  133. └── README.md
  134. ```
  135. ---
  136. ## 评分规则(v3.1)
  137. ### 核心思想:相对评分,不是绝对评分
  138. LLM **不**打"这条消息亲昵度 = 5"这种绝对分(因为没有客观锚点)。
  139. 它给每条消息**两个相对 delta**:
  140. - `delta_vs_prior` — 比**紧挨着的上一条**消息暖了 / 冷了多少
  141. - `delta_vs_atmosphere` — 比**最近 20 条的整体氛围**暖了 / 冷了多少
  142. 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。
  143. ### 10 个语义维度
  144. 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:
  145. | 维度 | 含义 | 推涨示例 | 推跌示例 |
  146. |---|---|---|---|
  147. | **affection** | 情感温度 | 宝宝 / 想你 / 晚安宝贝 | 单字"哦/嗯" / 呵呵 / 无所谓 |
  148. | **engagement** | 互动投入 | 长回复 / 主动延展 / 秒回 | 敷衍短回 / 转移话题 / 拖延 |
  149. | **care** | 关心 | 关心身体 / 记得对方细节 | 漠视处境 / 嘲讽状态 |
  150. | **conflict** | 冲突(双向)| 道歉 / 示弱 / 让步(修复)| 阴阳 / 翻旧账 / 冷战(攻击)|
  151. | **tension** | 暧昧张力 | 试探 / 吃醋 / 打闹 | 明确划界 / 拒推进 |
  152. | **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 |
  153. | **awkwardness** | 默契度(反向)| 接梗 / 共笑 / 流畅来回 | 尬聊 / 答非所问 / 突兀转场 |
  154. | **future_orientation** | 未来导向 | "等寒假回来" / "以后" | "先到这吧" / 拒谈未来 |
  155. | **vulnerability** | 暴露脆弱 | 分享秘密 / 感情史 / 弱点 | 回避深入 / 筑墙 |
  156. | **shared_identity** | 内圈语言 | 用昵称 / 用内梗 / "我们" | 刻意外圈称呼 |
  157. > 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。
  158. ### 评分尺度(每条消息都在动指针)
  159. 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。
  160. | Delta 量级 | 含义 | 真实聊天里的频率 |
  161. |---|---|---|
  162. | **±0.2 ~ ±0.5** | 微波动——自然起伏 | **大多数消息都在这** |
  163. | ±0.5 ~ ±1.5 | 轻微但能感知的变化 | ~25% |
  164. | ±2 ~ ±4 | 明显能注意到的变化 | ~10% |
  165. | ±5 ~ ±8 | 大动作(试探 / 邀约 / 修复 / 冲突)| ~3% |
  166. | ±9 ~ ±15 | 罕见标志事件(告白 / 分手)| < 1% |
  167. | `0, 0` | 真的完全不动——少用 | < 15% |
  168. 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。
  169. 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。
  170. ### 框架做的事:时间衰减 + OHLC 聚合
  171. 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:
  172. ```
  173. gap_hours = 距上条消息的真实时长
  174. decay = 1 - exp(-gap_hours / 72) # 72 小时半衰期
  175. delta_blend = 0.5 × delta_vs_prior + 0.5 × delta_vs_atmosphere
  176. index_t = prev_index × (1 - decay) + 50 × decay + delta_blend
  177. ```
  178. 含义:
  179. - **混合两个参考帧**:`vs_prior` 和 `vs_atmosphere` 各占一半,避免单一视角偏差
  180. - **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"
  181. - **不夹紧**:指数可以突破 100,也可以跌破 0(罕见,但允许)
  182. 之后按你选的周期(5m / 1h / 日 / 周 / 月 …)把消息级指数压成 OHLC:
  183. | | 含义 |
  184. |---|---|
  185. | **Open** | 周期开始时的关系指数 |
  186. | **High** | 周期内的最高点 |
  187. | **Low** | 周期内的最低点 |
  188. | **Close** | 周期结束时的关系指数 |
  189. | **Volume** | 那段时间的互动密度 × 情绪强度 |
  190. 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)。
  191. ---
  192. ## 隐私
  193. - **本地分析**:聊天数据全程不出本机
  194. - **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
  195. - API Key 只在浏览器本会话使用,**不写入** localStorage
  196. - 文件路径**不写入** localStorage(早期版本会写,从 v6 起严格不写)
  197. - `.gitignore` 默认排除 `output/`,分析结果不会被误推到仓库
  198. - 本仓库不收集任何遥测,不上报使用数据
  199. ---
  200. ## 它**不**能干的事
  201. - 不预测对方真实想法、不预测关系结果
  202. - 不做"TA 喜不喜欢你"这种主观判断
  203. - 它只读你能在聊天里看见的信号,给一个走势图
  204. 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**。
  205. ---
  206. ## License
  207. MIT — 详见 [`LICENSE`](LICENSE)。
  208. 图表库 lightweight-charts 是 Apache 2.0。

Ratings and comments

Sign in to rate this skill.

Sign in

Free to use. If it’s helped, pass it on.