She Love Me

快速开始 · 功能特性 · 工作原理 · 致谢

简介

她不一样 是一个通用 Agent Skill，支持 Claude Code、Codex、Cursor、GitHub Copilot、Gemini CLI 等主流 AI 编程工具。

只需要一句调用指令（例如 Claude 里输入 /she-love-me，Codex 里输入 $she-love-me），它就能引导你导入微信或 QQ 聊天记录、分析你和某个联系人的全部聊天记录，帮你看清：她是不是真的不一样——这段感情里，你们到底是什么关系？

融入专业心理学框架（依恋类型 · Gottman · Sternberg 三角），支持危险信号预警、军师建议、👴 祖师爷寄语，全程本地运行，数据不上传任何服务器。

> 不想依赖 agent 入口？ > 可以直接使用传统脚本方案，先导出 messages.json，再生成 analysis_prompt.txt 交给任意聊天模型： > traditional-deployment/README.md

零基础传统方案

如果你是第一次用这个项目，或者你要把这个项目交给没有编程基础的人，建议直接走传统脚本方案。

它的思路非常简单：

1. 下载仓库并解压
2. 从 仓库根目录 打开终端
3. 安装 Python 和项目依赖
4. 用脚本导出聊天记录
5. 生成两份最终文件
6. 把这两份文件上传给聊天模型

最终只需要交给聊天模型两份文件：

• messages.json
• analysis_prompt.txt

适合零基础用户的完整说明在这里：

• traditional-deployment/README.md

如果你只看最关键的两点，请先记住：

• 终端一定要在项目根目录 she-love-me 里打开
• 开始前先执行依赖安装命令：py -m pip install -r requirements.txt

交流群

扫码加入恋爱分析交流群，遇到问题、分享分析结果、更新优化方向都可以聊

输出效果

> (首次运行后，在 reports/ 目录用浏览器打开 HTML 报告)

分析指数

🔥 主动指数   73 ████████░░  你发起对话 72%，偶尔连轰 767 次
💜 被爱指数   66 ███████░░░  她凌晨 3 点发了 8 条消息说想你
🧊 冷淡指数   28 ███░░░░░░░  回复速度 8 分钟，态度还行

报告截图

功能特性

快速开始

一键部署

👇 把这句话发给你的 Codex / OpenClaw，快速接入 she-love-me

$ curl -s https://raw.githubusercontent.com/863401402/she-love-me/main/GUIDE.md

> guide.md 只负责快速引导；项目本身已经内置 AGENTS.md、Skill 和配置文件，Agent 读取后可直接继续完成初始化与使用。

> 如果你是在会话启动后才 clone 仓库或切换到新分支，部分 Agent 需要在仓库根目录重开一次会话，才能重新加载仓库级 Skill（例如 Codex 中重新进入仓库根目录后再启动并触发 $she-love-me）。

前置条件

微信分析：

• 默认路径为 Windows + WeChat 4.x，并使用管理员终端
• Node.js 18+；安装器会优先尝试 weflow-cli，当前环境不兼容时自动改用 CipherTalk
• Agent 会代用户检查、下载安装并运行第三方导出工具；用户只需处理登录、权限批准和联系人选择

QQ 分析：

• 安装并启动 QQ Chat Exporter (QCE)（NapCat + QCE 插件）
• 用手机 QQ 扫码登录，获取控制台显示的 Access Token

安装与运行

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

Skill 会先询问数据来源，再引导导出或导入、统计分析并生成报告。

各 Agent 都路由到同一份 .agents/skills/she-love-me/SKILL.md：Codex/Cursor 读取 AGENTS.md，Claude Code 由 .claude/settings.json 注册，Copilot 使用 .github/copilot-instructions.md，Gemini CLI 使用 GEMINI.md，OpenAI/Codex 的技能元数据位于 agents/openai.yaml。

Windows 微信：首选 weflow-cli

从 GitHub 新 clone 时，不再尝试下载已被屏蔽的 wechat-decrypt。Skill 会自动执行 weflow-cli / CipherTalk 的检查、安装与初始化流程（Agent 平台要求时会请求联网/安装授权）：

py scripts/setup_chat_exporter.py --provider auto --install
weflow-cli init
weflow-cli sessions
weflow-cli export "<联系人或 wxid>" json --output ".\data\raw"

把实际生成的 _messages.json 转成项目统一格式：

py scripts/convert_weflow_cli.py `
  --input ".\data\raw\<wxid>_messages.json" `
  --contact "<联系人显示名>" `
  --contact-id "<wxid>" `
  --output-dir data/contacts

通常无需手工执行上面的命令；它们用于说明 Agent 实际完成的步骤。weflow-cli 是当前可用的第三方项目，但不属于本仓库，也未经过本仓库的独立安全审计；微信版本升级或上游状态变化可能影响可用性。

备选：CipherTalk CLI

npm install -g ciphertalk-cli
py scripts/diagnose_ciphertalk.py
py scripts/diagnose_ciphertalk.py --configure
miyu --format=json --quiet key get --save
miyu --format=json --quiet --limit=30 sessions
miyu --format=json --quiet export "<会话 ID>" --output ".\data\raw\chat.json"
py scripts/convert_ciphertalk.py `
  --input ".\data\raw\chat.json" `
  --contact "<联系人显示名>" `
  --contact-id "<会话 ID>" `
  --output-dir data/contacts

diagnose_ciphertalk.py 会寻找有效账号目录并检查配置是否完整，但绝不输出数据库密钥。若 npm CLI 自动取密钥超时，不要反复重新登录：使用本项目的无界面适配器调用 CipherTalk 官方多进程扫描函数：

py scripts/diagnose_ciphertalk.py --scan-key --download-scanner

该命令只从 ILoveBingLu/CipherTalk 固定官方 tag 下载约 468 KB 的 wechat_key_tool.dll 和匹配服务源码，校验固定 SHA-256 后运行；密钥直接写入本机 miyu 配置，不进入标准输出。只有返回 database_validated=true，或 run_ciphertalk_cli.py --timeout 60 -- status 返回 connection.ok=true 后，Agent 才继续列会话和导出。scanAccount() 返回的未验证候选不能当作端到端成功。

只有无界面扫描也失败时，才下载官方桌面版作为最终兼容兜底：

py scripts/setup_ciphertalk_desktop.py --download

用户在桌面版完成账号配置、主界面能够查看会话后，Agent 会继续使用桌面版官方 MCP，不需要用户手工逐个导出：

py scripts/setup_ciphertalk_mcp.py --install
py scripts/list_ciphertalk_sessions_mcp.py --limit 30
py scripts/export_ciphertalk_mcp.py `
  --session-id "<会话 ID>" `
  --contact "<联系人显示名>" `
  --output-dir data/raw/ciphertalk-official
py scripts/convert_ciphertalk.py `
  --input "<export_ciphertalk_mcp.py 返回的 output>" `
  --contact "<联系人显示名>" `
  --contact-id "<会话 ID>" `
  --output-dir data/contacts

setup_ciphertalk_mcp.py 只在 scripts/tmp/ 安装桌面启动器遗漏的固定版本 MCP SDK，该目录不会提交。完整聊天必须通过官方 export_chat 导出；不要用 get_messages 的 offset 分页拼接全量数据，部分版本会循环返回旧页并污染统计。桌面版 detailed-json / ChatLab JSON 仍可直接交给 convert_ciphertalk.py。

其他已有导出文件

旧版 WeFlow JSON 仍可导入，但 WeFlow 官方核心源码和 Release 已移除，不再推荐新用户安装：

python scripts/convert_weflow.py --input "weflow.json" --output-dir data/contacts

带时间戳的 Markdown 也可以导入：

python scripts/convert_markdown.py --input "chat.md" --my-name "我" --contact "联系人" --output-dir data/contacts

Markdown 基础格式：[2026-08-12 20:10] 张三: 消息内容。转换完成后，沿用返回 JSON 中的 messages_path 和 bundle_dir。

如果你已经有可信的兼容解密器目录，旧版入口仍可使用：

python scripts/decrypt_wechat.py --decryptor-dir "<本地兼容解密器目录>"

可选：导出微信表情资源

如果你想把某个联系人的微信表情也一起整理出来：

python scripts/extract_messages.py \
  --decrypted-dir vendor/wechat-decrypt/decrypted \
  --contact "联系人名字" \
  --output-dir data/contacts

python scripts/export_emojis.py \
  --input "data/contacts/<联系人目录>/messages.json"

默认会在该联系人目录下生成：

• messages.json：聊天记录（表情消息仅保留 emoji_ref）
• emojis.json / emojis.csv：独立表情记录与清单
• emojis_assets/：去重下载后的表情资源
• emojis_download_manifest.json：下载结果
• emojis_preview.html：本地浏览器预览页

这样聊天记录和表情记录分开但不断链：messages.json 的某条表情消息通过 emoji_ref 关联到 emojis.json 中的具体表情数据。

工作原理

weflow-cli / CipherTalk / 旧导出文件 / NapCat + QCE（QQ）
    │
    │  微信：第三方工具导出 JSON → 本项目转换器
    │  QQ：REST API 导出聊天记录
    ▼
标准 SQLite / JSON 消息数据
    │
    ├─► stats_analyzer.py → stats.json（全量统计：主动性/回复速度/语言学特征）
    │
    ├─► build_chat_history.py（用户动态选择分析范围）
    │       → chat_history.txt（分层采样：起源窗口 / 高冲突区间 / 近30天 / 修复时刻）
    ▼
AI Agent 深度分析（全量统计 + 分层采样关键窗口）
    │  Sternberg 三角（信号计数推导）· Gottman 正负比（词典+文本校正）
    │  对称性评分（stats.json 字段加权）· 双阈值危险预警
    │  依恋类型 · 核心恐惧 · 防御机制 · 军师建议 · 👴 祖师爷寄语
    ▼
HTML 报告（暗色现代风格）+ Markdown 摘要