聊天关系K线 · Relationship Candlestick Lab

把聊天记录画成K线图，看你和TA的关系曲线

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。

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。

↑ 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

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

↑ 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

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）：

⚠️ 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）。

一键启动

前提：你电脑上有 Python 3.9+。
没有的话去 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：

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：

如果你想手动控制每一步

也行，传统三步：

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

↑ 一个偏本地隐私，一个偏网页直连——按场景选，不用纠结

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）：

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：

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。

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：

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。架构和评分流水线见 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。
图表库 lightweight-charts 是 Apache 2.0。