dsh-wechat-relations
微信关系分析插件 · 为 DeepSeek Harness 设计
把上千个联系人压缩成一张可判断的关系网：谁值得投入、谁在降温、下一步该怎么做。
姊妹项目：dsh-art-workshop —— 视频/图文生产流水线，选题到成片一条链。
本仓库只带模拟数据。 所有人物、消息量、分数都是随机生成的假数据（demo_001 这类 id），不含任何真实微信内容。要接自己的数据，见「接入自己的数据」。
它长什么样
左侧是关系网络，右侧是选中的人：
┌───────────────┬────────────────────────────┐
│ 小林·同事 │ 核心指标 │
│ 阿May·同学 │ 消息 3,842（我 54%） │
│ 老王·球友 │ 回复中位 我 12 分钟 / 对方 4 分钟 │
│ … │ 健康度 回复 72 · 边界 61 · 持续 48 │
│ │ │
│ [网络] [时间] │ 决策转折点 │
│ [洞察] [分类] │ 2024-06 · 58→71 +13 │
│ │ 2024-10 · 71→54 -17 │
│ │ │
│ │ 该怎么决策（AI） │
│ │ [生成决策建议] │
└───────────────┴────────────────────────────┘
六个视图
| 视图 | 作用 |
|---|---|
| 网络 | 联系人按在意度聚合成星图，一眼看出密度和孤岛 |
| 关系网 | 群聊共现矩阵，谁和谁在同一个圈子 |
| 时间 | 逐月消息量柱状图，新人用三角标出，可下钻到某个月 |
| 洞察 | 19 张统计卡：昼夜分布、回复落差、情感曲线、称呼演变 |
| 分类 | 同事 / 朋友 / 兄弟 / 暧昧 / 前任 / 家人 / 生活 / 其他 |
| 我 | 自己的画像：总量、活跃时段、36 个月走势、MBTI 推测 |
单人页
- 核心指标 —— 消息量、回复中位、最近互动、走势、发起比、隔空承接、火热段
- 五维星图 —— 亲密 / 主动 / 稳定 / 情绪 / 边界
- 决策转折点 —— 点开直接看那段时间的聊天记录
- 认设文档 —— 自动提取的性格画像，可一键复制
- 该怎么决策 —— 读最近 1200 条聊天 + 全部数据，输出「推进 / 维持 / 降温 / 收手」的可执行建议
分数怎么算
所有分数都是同批联系人内的百分位，不是绝对值，不会因为整体话多就全员 80 分。
我在意 TA = 字数占比 40% + 主动发起 20% + 持续 20% + 优先回复 10% + 投入字数 10%
TA 在意我 = 主动 30% + 优先回复 25% + 投入字数 25% + 持续 20%
健康度 = 回复速度 / 边界感 / 持续性 三项百分位，均值固定 50
排除规则：消息量 < 150、机器人（gh_ / filehelper / 文件传输助手）不计分。
快速开始
git clone https://github.com/liuzhuomin/dsh-wechat-relations.git
cd dsh-wechat-relations
# 生成模拟数据（24 个假人物）
node mock-data.mjs
# 把数据注入前端，产出 client.js
node build.mjs
# 自检
node validate.mjs
然后在 DSH 的 profile 里挂上：
dsh plugin add /path/to/dsh-wechat-relations
重启 DSH，侧栏出现「关系分析」。
模拟数据长什么样
mock-data.mjs 会生成 24 个虚构人物，形如：
{
"id": "demo_007",
"title": "周周·球友",
"category": "friend",
"gender": "男",
"volume": 2841,
"myShare": 0.47,
"lastDays": 12,
"mine": 63,
"theirs": 58,
"health": { "respond": 66, "boundary": 71, "sustain": 44 },
"slope": 0.32,
"timeline": {
"points": [{ "m": "2024-01", "s": 51 }, { "m": "2024-02", "s": 58 }],
"nodes": [{ "at": "2024-06", "from": 58, "to": 71, "delta": 13 }]
}
}
分类轮转覆盖全部八类，消息量 80–9000 随机，走势 −0.8–0.8 随机。
接入自己的数据
插件只读本地 JSON，格式就是上面这套。真实数据有三种来源：
- 自己导出 —— 微信 PC 端导出聊天记录，按
data/<id>.jsonl一行一条{ sentAt, isSelf, text }存放； - 分析脚本产出 —— 本项目配套的 Python 脚本（未包含在仓库）会算出
people.json/insights.json等； - 自己写 —— 只要字段对得上，
build.mjs直接能打包。
不要把真实数据提交进 Git。 .gitignore 已经挡了 data/、*.jsonl、*.db、decision-engine.json，但请自己再检查一遍 git status。
隐私
- 所有计算在本地完成，不上传任何聊天内容；
- 决策分析会把你选中的那段关系和最近 1200 条聊天发给你配置的模型——用默认模型就是 DSH 当前的模型，用 JEV 就是 TypeSafe AI 的接口；
- 仓库内所有数据均为虚构。
结构
index.js host 半：/data /events /range /search /advise /engine /analyze
client.template.js 浏览器半：六个视图 + 单人页 + AI 面板
build.mjs 把 JSON 注入 template，产出 client.js
mock-data.mjs 生成模拟数据
validate.mjs 8 项静态自检（stub React，不跑浏览器）
locale/ zh / en
决策引擎
默认用 DSH 当前模型。要换 JEV（TypeSafe AI 商业决策模型）：
curl -X POST http://127.0.0.1:<port>/dsh-wechat-relationship/engine \
-H 'content-type: application/json' \
-d '{"engine":"jev","baseUrl":"https://api.example.com/v1","apiKey":"sk-...","model":"jev-1"}'
接口按 OpenAI 兼容格式调用；不是这个格式的话改 callJev() 一个函数即可。
License
MIT
No comments yet. Be the first to write one.