企业官网建设流程全解析

1. 项目概述：一个能读懂你聊天记录的“情感军师”

最近在折腾AI Agent Skill的时候，我做了个挺有意思的东西，叫“她爱你吗？恋情分析室”。这玩意儿本质上是一个通用Agent Skill，但它干的事儿有点特别：它能自动解密你的微信数据库，把你和某个人的聊天记录从头到尾分析一遍，然后像个老道的“情感军师”一样，给你一份详尽的“关系诊断报告”。

你可能会想，这不就是个噱头吗？一开始我也这么觉得。但真正把它做出来、跑通，并且用自己（和一些朋友自愿提供的）数据测试了几轮之后，我发现它揭示的很多模式，确实是我们身处关系中容易“灯下黑”、自己察觉不到的。比如，谁总是那个主动开启话题的人？对方凌晨发的“想你”是心血来潮还是常态？那些“嗯”、“哦”、“好”背后，是不是藏着逐渐冷却的热情？更关键的是，它不止于统计，还融入了依恋类型理论、Gottman的关系健康指标和Sternberg的爱情三角理论这些心理学框架，试图去解释数据背后的“为什么”。

这个工具完全在本地运行，你的聊天数据不会上传到任何服务器。它适合任何对一段线上关系感到困惑、想要更客观视角的人，无论你是想确认对方的心意，还是想复盘一段已经结束的关系，它都能提供一个基于数据的、不带滤镜的参考。当然，我得把免责声明放在最前面：这只是一个基于文本模式的分析工具，结果仅供娱乐和参考，绝不能替代真实的情感沟通和专业的心理咨询。

2. 核心设计思路：从数据解密到关系洞察的完整链路

这个项目的核心目标很明确：把零散的、感性的聊天记录，转化为结构化的、可量化的关系洞察。为了实现这个目标，整个设计拆解成了几个清晰的阶段，每个阶段都解决了从技术到分析的关键问题。

2.1 技术基石：安全、无感的本地数据获取

一切分析的前提是拿到数据。直接去读微信本地的数据库文件是不可能的，因为它们都被加密了。这里没有重新发明轮子，而是巧妙地集成了开源项目ylytdeng/wechat-decrypt。它的原理很聪明：微信在运行时，解密密钥必然存在于内存中。这个工具通过扫描微信进程的内存，找到SQLCipher4的密钥，然后实时解密数据库文件。我的Skill脚本会自动克隆并调用这个解密器，对用户来说，整个过程是完全无感的，只需要确保微信是登录并运行的状态。

为什么选择这个方案？

1. 非侵入性：不需要Root或越狱，不修改微信任何文件，风险极低。
2. 实时性：分析的是最新的聊天记录，包括刚刚发生的对话。
3. 本地化：所有解密、读取操作均在用户电脑上完成，从源头上杜绝了隐私泄露风险。这是整个项目的信任基石。

2.2 分析引擎设计：从统计到心理学的多层解读

拿到解密后的SQLite数据库（主要是message_N.db），接下来就是重头戏——分析。我设计了一个分层的分析引擎：

第一层：基础行为统计这是最直观的“硬指标”。脚本会提取指定联系人的所有文本消息，计算：

• 主动指数：谁发起对话的比例更高？是否存在一方连续发送多条消息（“消息轰炸”）的情况？平均回复速度差是多少？
• 情感投入指标：统计包含“爱”、“想你”、“晚安”、“早安”等关键词的频率和上下文。
• 冷淡信号：计算“嗯”、“哦”、“好”、“行”等单字或敷衍性回复的占比，以及“已读不回”的时长分布。

这些数据能勾勒出双方互动的基本模式，比如“总是我找她”、“她回得很慢但每次都会回”、“吵架后会有很长的沉默期”。

第二层：互动模式与动态分析这一层开始关注关系的“舞蹈”。

• 话语权分析：通过分析对话的回合、话题的发起与承接，量化谁是对话的主导者，谁更多地在附和或拓展对方的话题。
• 追逃循环识别：这是亲密关系中的经典模式。一方（追方）因焦虑而不断联系、质问，另一方（逃方）因压力而回避、沉默。脚本会尝试识别这种“要求-退缩”的模式循环，并标记出关键的触发点和升级点。
• 修复尝试分析：关系中出现冲突后，双方是如何尝试修复的？是一方主动道歉、示好，还是用幽默化解？另一方是接受修复，还是继续惩罚、冷漠对待？分析这些“修复尝试”的成功率，是预测关系能否长久的关键。

第三层：心理学框架诊断这是让分析从“描述现象”走向“解释原因”的一步。

• 依恋类型诊断：基于双方在聊天中表现出的行为模式（如对分离的焦虑、对亲密的回避、寻求安慰的方式），结合经典的依恋理论，给出安全型、焦虑型、回避型或恐惧-回避型的倾向判断。了解彼此的依恋类型，能极大帮助理解对方那些“不可理喻”行为背后的恐惧和需求。
• Sternberg爱情三角评估：从聊天内容中，评估这段关系中的激情（浪漫、性吸引、兴奋感）、亲密（信任、沟通、情感联结）和承诺（长期维持关系的决定）三个维度的强度，从而判断关系属于迷恋式、伴侣式、空洞式还是完整的完美式爱情。
• Gottman四骑士检测：这是婚姻关系研究大师约翰·戈特曼提出的四个预测关系破裂的负面沟通模式：批评、蔑视、防御和筑墙。脚本会检测聊天中是否频繁出现这些“危险信号”。

第四层：AI综合鉴定与军师建议最后，将所有统计数据、模式识别结果和心理学标签，连同一段时期内的完整聊天记录样本，提交给Claude这类大语言模型。AI的角色不是代替统计，而是进行“质性分析”：它能捕捉到统计数字无法涵盖的微妙语气、上下文矛盾、承诺与行动的差距等，最终整合所有信息，生成一份带有洞察力的结论和具体、可操作的建议（军师模式），比如“建议你下周减少主动发起聊天的频率，观察对方反应”或“对方目前处于情感封闭期，强行沟通可能适得其反”。

2.3 用户体验与呈现：一键操作与可视化报告

复杂的后台分析，必须配以极简的前端交互。设计原则就是“一键解决”。

1. 统一入口：无论在Claude Code、Cursor还是Copilot中，用户只需要输入一条命令/she-love-me。
2. 自动化的环境准备：Skill脚本（setup_check.py）会自动检查Python环境、安装依赖、克隆解密库，用户无需关心任何配置。
3. 引导式联系人选择：解密后，脚本会按消息数量排序列出所有联系人，用户只需选择想分析的那一个。
4. 双输出格式：
   • 终端即时反馈：在AI聊天界面直接给出核心的鉴定指数（主动、被爱、冷淡指数）和关键结论，满足快速查看的需求。
   • HTML详细报告：在reports/目录下生成一个完整的、暗色风格的网页报告。里面包含了所有详细数据、交互式图表（用Chart.js绘制）、心理学诊断全文、危险信号列表以及军师的详细建议。这份报告可以保存、反复查看，甚至（在匿名化后）与他人讨论。

3. 实操部署与核心环节实现

理论说得再多，不如实际跑一遍。下面我就以在Claude Code环境中部署和运行为例，拆解每一个步骤和其中的关键细节。其他AI工具（Cursor, Copilot等）的流程几乎完全一致，只是Skill文件的存放路径稍有不同。

3.1 环境准备与项目获取

首先，你需要一个支持Skill的AI编程工具。我主要用Claude Code，因为它对Skill的支持非常直接。同时，确保你的微信（版本4.0以上）正在电脑上登录并运行，这是解密的前提。

Windows用户特别注意：你必须使用管理员身份打开终端或Claude Code，否则进程内存扫描这一步会因权限不足而失败。

打开终端，执行以下命令获取项目代码：

git clone https://github.com/863401402/she-love-me cd she-love-me

这一步之后，项目目录里已经包含了所有需要的脚本，以及为不同AI工具准备好的Skill定义文件。

3.2 Skill的安装与激活

这是让AI工具认识/she-love-me这个命令的关键。不同工具存放Skill的路径不同：

• 对于Claude Code和OpenClaw：Skill文件位于.claude/skills/she-love-me/SKILL.md。Claude Code通常会自动扫描项目目录下的.claude文件夹。如果你打开项目后，在聊天框输入/能看到she-love-me这个选项，就说明已经识别成功。如果没有，可以尝试重启Claude Code。
• 对于Cursor、GitHub Copilot、Gemini CLI：Skill文件位于.agents/skills/she-love-me/SKILL.md。同样，打开项目文件夹后，这些工具通常会自动加载。

关键技巧：有时候AI工具不会立即识别新添加的Skill。一个可靠的方法是，在项目根目录打开终端，直接运行工具的命令行客户端，比如claude（Claude Code）或cursor（Cursor），它们从命令行启动时，对当前目录的Skill加载往往更稳定。

3.3 核心运行过程详解

现在，在AI工具的聊天界面输入：

/she-love-me

接下来，背后会发生一连串自动化的操作，我们可以通过查看终端输出或脚本日志来了解其过程：

第一阶段：环境自检与依赖安装setup_check.py脚本首先被触发。它会做以下几件事：

1. 检查Python版本和必要包（pymem,psutil,requests等）是否已安装。如果没有，会自动调用pip install。
2. 检查vendor/目录下是否存在wechat-decrypt项目。如果不存在，会自动执行git clone https://github.com/ylytdeng/wechat-decrypt vendor/wechat-decrypt。
3. 检查微信进程：这是关键一步。脚本会遍历系统进程，寻找WeChat.exe（Windows）或WeChat（macOS）。如果没找到，会明确报错提示“请先登录微信并保持运行”。这里我增加了一个重试机制，如果第一次没找到，会等待5秒再扫描一次，避免因启动延迟导致失败。

第二阶段：内存扫描与数据库解密decrypt_wechat.py脚本接管。它的任务是与wechat-decrypt交互。

1. 定位微信进程：通过进程名找到微信的进程ID（PID）。
2. 调用解密器：脚本会将微信的PID传递给wechat-decrypt的可执行文件或Python脚本（根据平台不同）。解密器会扫描该进程的内存空间，寻找SQLCipher4的密钥模式。
3. 解密数据库：找到密钥后，解密器会遍历微信的数据目录（通常在文档/WeChat Files/<你的微信号>/Msg/），找到那些.db文件（如Message.db,Contact.db），并用密钥在内存中实时解密，将解密后的数据副本输出到项目data/目录下。

   重要提示：wechat-decrypt项目本身可能涉及对内存和文件系统的底层操作。在macOS上，首次运行时系统可能会弹出权限警告，需要你手动在“系统设置-隐私与安全性”中允许终端或Python访问“完全磁盘访问”和“自动化”权限。请仔细阅读并授权。

第三阶段：联系人选择与数据提取解密成功后，list_contacts.py会读取Contact.db和Message.db，统计每个联系人的消息总数，并按此排序展示一个列表给你选择。选择后，extract_messages.py会从Message_1.db,Message_2.db...等分表中提取出与这位联系人的所有文本消息、时间戳、发送人信息，并保存为结构化的JSON或CSV文件，供后续分析使用。

第四阶段：多维度分析与报告生成这是最耗时的阶段，由stats_analyzer.py主导。

1. 基础统计：快速计算消息总数、日均消息、活跃时段（生成24小时热力图）、对话长度分布等。
2. 指数计算：
   • 主动指数：遍历消息序列，如果一条消息距离上一条消息超过2小时，通常被认为是一个新对话的发起。统计双方发起对话的次数和比例。连续发送（间隔小于2分钟）超过5条记为一次“连轰”。
   • 被爱指数：通过关键词匹配（如“想你”、“喜欢”、“爱你”、“晚安”、“早安”、“多穿点”、“吃饭了吗”）结合上下文（是否是对方主动发送）来评分。同时，对方主动发起对话的占比也是核心权重。
   • 冷淡指数：计算敷衍词占比，并统计“已读不回”事件（对方在会话窗口，但超过X小时未回复，X可配置，默认为12小时）。
3. 心理学模型分析：调用本地或API的大语言模型（如Claude），将统计结果、提取的典型对话片段、以及预设的心理学分析框架提示词一起发送。AI会返回对依恋类型、Sternberg三角、权力动态等的判断。
4. 报告整合：generate_html_report.py将上述所有结果，利用Jinja2模板引擎，填充到一个设计好的HTML模板中。这个模板内置了Chart.js，用于绘制消息量趋势图、活跃时段雷达图、双方占比饼图等。最终生成一个独立的、美观的report.html文件。

第五阶段：结果交付一切完成后，你会在AI聊天界面看到一份简洁的Markdown格式摘要，核心指数会用进度条直观展示。同时，脚本会给出HTML报告的文件路径，通常类似于./reports/analysis_20250415_102030.html，你用浏览器打开它，就能看到那份包含所有细节的完整诊断书了。

4. 各平台部署要点与问题排查

这个项目设计目标是跨平台，但Windows和macOS（以及未来的Linux）在具体实现上会遇到不同的问题。这里我把实战中遇到的坑和解决方案总结一下。

4.1 Windows平台：权限与路径

Windows是最稳定支持的平台，主要因为wechat-decrypt在Windows上的实现最成熟。

核心要点：

• 管理员权限：这是最大的拦路虎。如果不以管理员身份运行Claude Code或终端，在内存扫描阶段会直接失败，报“Access Denied”类错误。务必右键点击Claude Code或终端图标，选择“以管理员身份运行”。
• 微信版本：确保是WeChat 4.0+。旧版本的数据库结构或加密方式可能不同。
• 杀毒软件干扰：内存扫描行为可能被Windows Defender或其他杀毒软件误判为恶意行为。如果运行失败，可以尝试临时关闭实时防护，或者将你的项目目录和使用的Python解释器添加到杀毒软件的白名单中。
• 路径问题：微信默认数据目录在C:\Users\<用户名>\Documents\WeChat Files\。如果你的微信安装或数据存储位置被修改过，wechat-decrypt可能找不到。这时需要根据解密器项目的说明，通过环境变量或配置文件指定路径。

常见错误与解决：

• 错误：PermissionError: [WinError 5]
  • 原因：权限不足。
  • 解决：百分百确认是以管理员身份运行。
• 错误：Process ‘WeChat.exe’ not found
  • 原因：微信没运行，或者进程名不匹配（某些多开工具或国际版可能进程名不同）。
  • 解决：登录微信。如果使用多开，确保扫描的是主进程。可以手动在任务管理器中确认进程名。
• 错误：解密成功但联系人列表为空
  • 原因：解密出的数据库路径不对，或者Contact.db损坏/不存在。
  • 解决：检查data/目录下是否生成了Contact.db文件。可以尝试用SQLite浏览器手动打开查看。也可能是微信数据异常，可以重启微信再试。

4.2 macOS平台：权限与签名

macOS的支持是实验性的，主要挑战来自系统严格的安全策略（SIP, Gatekeeper）。

核心要点：

• 终端完全磁盘访问权限：这是必须的。前往“系统设置” > “隐私与安全性” > “完全磁盘访问”，将你使用的终端（如Terminal, iTerm2）或IDE（如果直接从IDE内运行）添加到列表中。
• 自动化权限：运行过程中，如果弹出提示框请求“控制另一个应用”（即微信），必须点击允许。
• 签名问题：wechat-decrypt的macOS版本可能是一个需要签名的可执行文件。如果来自非公证开发者，系统会阻止运行。
  • 解决1（推荐）：按照wechat-decrypt项目README的指引，使用codesign命令为其添加临时签名：sudo codesign --force --deep --sign - /path/to/wechat-decrypt-binary。
  • 解决2：在“系统设置-隐私与安全性”中，找到并允许来自“已阻止开发者”的运行。
• ARM vs Intel：确认你下载的wechat-decrypt版本与你的Mac芯片架构（Apple Silicon或Intel）匹配。

常见错误与解决：

• 错误：Operation not permitted
  • 原因：缺乏磁盘访问或自动化权限。
  • 解决：按上述步骤检查并授予所有必要权限。
• 错误：“wechat-decrypt”已损坏，无法打开
  • 原因：Gatekeeper阻止未签名或未公证的应用。
  • 解决：使用codesign签名，或在终端执行：sudo xattr -rd com.apple.quarantine /path/to/wechat-decrypt-binary移除隔离属性（有一定风险，请确保文件来源可信）。
• 错误：解密出的数据乱码或不全
  • 原因：macOS版微信的数据结构或加密细节可能与Windows版有细微差别，上游解密器可能未完全适配。
  • 解决：关注wechat-decrypt项目的更新。目前macOS支持仍处于实验阶段。

4.3 通用问题排查清单

无论哪个平台，如果运行失败，可以按以下步骤排查：

1. 看日志：脚本的关键步骤都有打印输出。仔细阅读错误信息，它通常能直接指出问题所在。
2. 检查微信状态：确保微信在前台或后台运行，并且已经完成登录，处于可以收发消息的正常状态。
3. 检查依赖：手动运行pip install -r requirements.txt确保所有Python包已安装。特别注意pymem在非Windows平台可能需要源码编译，如果安装失败，可以尝试先安装python3-dev之类的开发包。
4. 手动测试解密器：进入vendor/wechat-decrypt目录，根据其README尝试独立运行解密命令。如果能成功解密出数据库，说明问题出在Skill的调用链上；如果失败，则是解密器本身的环境或权限问题。
5. 检查Skill加载：确认你所在的AI工具正确识别了Skill。可以尝试在聊天框输入/查看列表，或者直接输入Skill的完整路径进行测试。
6. 清理缓存：有时旧的缓存数据会导致问题。可以尝试删除项目下的data/和reports/目录（如果存在），然后重新运行。

5. 深度解析：分析模型的可配置性与局限性

为了让这个工具更有用，我在设计时预留了很多可配置的接口，同时也必须清醒地认识到它的边界在哪里。

5.1 关键参数与阈值调整

分析结果很大程度上依赖于预设的阈值。这些阈值在stats_analyzer.py中通常以变量的形式定义，你可以根据自己对关系的理解进行调整：

• 对话发起间隔：CONVERSATION_START_INTERVAL = 7200（单位：秒，即2小时）。超过这个间隔，下一条消息被视为新对话的发起。对于热恋期或工作沟通频繁的关系，可以调小（如1小时）；对于低频联系，可以调大。
• 消息轰炸阈值：BOMB_THRESHOLD = 5和BOMB_INTERVAL = 120（秒）。在120秒内连续发送超过5条消息，计为一次“轰炸”。这个阈值用于衡量焦虑或兴奋程度。
• 已读不回判定时长：SEEN_NO_REPLY_HOURS = 12。这个很主观，有些人觉得3小时就是冷暴力，有些人觉得24小时也正常。请根据你们平时的回复习惯调整。
• 关键词列表：AFFECTION_KEYWORDS = [“想你”, “喜欢你”, “爱你”, “晚安”, “早安”, …]。你可以自由增删这里面的词，以适应你们之间独特的表达习惯。比如加入你们常用的昵称、暗号等。
• 敷衍词列表：PERFUNCTORY_WORDS = [“嗯”, “哦”, “好”, “行”, “知道了”, “呵呵”]。同样可以自定义。

实操建议：不要只看默认配置跑出的结果。尝试用不同的阈值跑几次，观察哪些指标变化最敏感，这本身就能帮你更精细地理解你们之间的互动节奏。

5.2 心理学模型的提示词工程

让AI进行心理学分析，提示词（Prompt）的质量至关重要。在脚本中，提交给AI的提示词是精心设计的，通常包含：

1. 角色设定：例如“你是一位资深的关系心理咨询师，擅长从沟通文本中分析互动模式。”
2. 任务描述：清晰说明需要分析的数据（提供统计摘要和对话片段），以及需要应用的理论框架（如“请基于以下对话，评估双方的依恋类型倾向”）。
3. 输出格式要求：明确要求结构化输出，例如“请按以下JSON格式回复：{“attachment_style_user”: “…”, “attachment_style_other”: “…”, “reasoning”: “…”}”。
4. 限制与指导：强调“仅基于提供的文本”，“避免过度推断”，“如果证据不足，请注明‘无法判断’”。

你可以修改这些提示词，来引导AI进行更侧重某方面的分析，比如更关注冲突解决模式，或者更关注未来关系发展的建议。

5.3 工具的局限性、边界与伦理思考

在无数次测试和与朋友讨论后，我深刻认识到这个工具的局限性，这也是每个使用者必须明白的：

• 数据的片面性：它只分析文本聊天记录。而关系中大量的信息是通过语音语调、视频表情、面对面互动传递的。一个文字上的“嗯”，可能是敷衍，也可能是忙碌中的温柔回应。工具无法捕捉这些非文本信号。
• 上下文的缺失：它看不到聊天记录之外的现实世界。对方回复慢，可能是在开会、手机没电、家庭变故，而不仅仅是“冷淡”。AI的推断缺乏这部分关键背景。
• 模型的固有偏差：无论是统计模型还是大语言模型，都是在训练数据上学习的。它们可能无法理解非常小众、独特的文化或亚文化中的表达方式，也可能带有训练数据中存在的某种社会文化偏见。
• “测量即干预”：当你开始用工具测量一段关系时，你对待这段关系的心态和行为可能已经发生了微妙的变化。工具给出的“指数”和“诊断”，本身可能成为一种心理暗示，影响你的判断和后续行动。

因此，请务必牢记：

1. 这不是真理：工具的输出是一个基于有限数据的、概率性的参考视角，绝不是对关系或个人的最终判决。
2. 勿作恶：绝对不要在未经对方同意的情况下，分析他人的聊天记录。这是严重的隐私侵犯和不道德行为。这个工具的设计初衷是自我反思和自我觉察。
3. 沟通优先：如果工具的分析结果让你感到不安或困惑，最好的方式永远是开诚布公地与对方沟通。工具可以帮你理清思路、发现问题，但解决问题必须依靠真实世界中的互动和对话。
4. 寻求专业帮助：如果一段关系让你持续痛苦，这个工具不能替代专业的心理咨询师。它只是一个数字化的“镜子”，而复杂的情感问题需要真人专家来协助处理。

这个项目对我而言，更像是一次将技术、数据分析和人文心理学交叉的有趣尝试。它不会告诉你“她爱不爱你”的终极答案，但它能帮你把那些模糊的感受，变成一张张可以审视的图表和一段段可以推敲的逻辑。最终，如何解读这些信息，如何采取行动，权力始终在你手中。技术应该用于增进理解，而非替代情感；用于照亮盲区，而非制造焦虑。希望你在使用它时，也能保持这份清醒和善意。