AI 驱动的情感量化分析工具 — 用数据告诉你 ta 到底喜不喜欢你
灵感来自 ex-skill —— 一个把前任蒸馏成 AI Skill、让 ta 继续用 ta 的方式跟你说话的项目。
太惨了。所以我们做了「下一任」：别再回头分析了，看向下一段美好的关系吧。
ex-skill 做了一件很残忍又很浪漫的事：把前任的聊天记录、说话习惯、语气词全部喂给 AI，让它扮演那个人继续陪着你。
「下一任」是这个故事的另一面。
与其反复分析已经结束的关系，不如把同样的方法论用来判断眼前这个人 —— ta 到底喜不喜欢你？ 用数据说话，少一点幻觉，多一点清醒。
| 功能 | 描述 |
|---|---|
| 📊 六维度量化评分 | 主动性、回应质量、独特性、情感暴露、行为信号、未来导向，权重科学分配 |
| 📈 关系走势时间线 | 早期→中期→近期三段折线图，直观看出关系是升温还是降温 |
| 💬 情感高光原句 | AI 从聊天记录中提取最有信号价值的原句，标注正向/负向 |
| 🧠 认知偏差检测 | 识别"单方热恋"、"过度解读"、"把礼貌当特殊对待"等常见偏差 |
| 🏢 工作场景过滤 | 即使主要聊工作，也能从工作对话中独立识别情感信号，不互相稀释 |
| 📱 微信记录导入 | 支持 WeFlow / WeChatMsg 导出的数据库文件直接接入分析 |
| 🌙 深夜联系 & 主动性量化 | 深夜消息、对方主动比例、回复速度、消息长度比等关键指标可视化 |
| 🔒 完全本地运行 | 聊天记录不上传任何服务器，仅调用 DeepSeek API 进行分析 |
综合好感度：8.2 / 10 关系状态：暧昧升温
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
【关系走势】 早期 6.5 → 中期 7.3 → 近期 8.2 ↑ 持续升温
【互动量化】
对方主动发起 约55% 回复速度 快
深夜联系 有 消息长度比 对方更长
【情感高光原句】
"你最近睡得好吗" — 工作话题中突然关心，超出工作范畴 [近期 · 正向]
"下次你来，我带你去那家店" — 主动纳入未来计划 [中期 · 正向]
【认知偏差检测】
未发现明显单方热恋或过度解读
# 1. 克隆项目
git clone https://github.com/zhangtianruiwork-droid/xiayiren.git
cd xiayiren/app
# 2. 安装依赖
npm install
# 3. 配置 API Key
cp .env.example .env
# 编辑 .env，填入你的 DeepSeek API Key（https://platform.deepseek.com/）
# 使用 DEEPSEEK_API_KEY，不要使用 VITE_ 前缀，避免密钥进入浏览器打包产物
# 4. 启动
npm run dev
# 打开 http://localhost:5173将 skill/ 目录复制到你的 Claude Code skill 目录：
# macOS / Linux
cp -r skill/ ~/.claude/skills/ta-likes-me/
# Windows
xcopy /E /I skill\ %USERPROFILE%\.claude\skills\ta-likes-me\然后在 Claude Code 中输入 /ta-likes-me 启动。
WeFlow 是一个完全本地的微信聊天记录实时查看与导出工具，无需越狱或 root。
- 前往 WeFlow Releases 下载并安装
- 打开 WeFlow，选择目标联系人
- 导出为 CSV 格式
- 在「下一任」Web 界面上传该文件，或粘贴聊天内容
WeFlow 仅在本地运行，聊天记录不会上传到任何服务器。
WeChatMsg 支持将微信聊天记录导出为 HTML / CSV / TXT 格式。
pip install pywxdump
# 或直接使用 WeChatMsg 的 GUI 界面本项目 tools/ 目录提供了 Python 脚本：
# 安装依赖
pip install psutil pywxdump
# 导出微信聊天记录（需要微信正在运行）
python tools/wechat_export.py
# 解析已导出的聊天文件
python tools/wechat_parser.py --file chat.txt --output signals.txt
# QQ 聊天记录解析
python tools/qq_parser.py --file qq_chat.txt --output signals.txt
# 独立运行 DeepSeek 分析
export DEEPSEEK_API_KEY=sk-your_key_here
python tools/analyze.py --input signals_input.json --output result.json注意：微信 4.x（Weixin.exe）的数据库密钥提取目前尚在完善中，建议优先使用 WeFlow 可视化导出。
评分基于 6 个维度，参考心理学研究中的**语言风格匹配（LSM）**理论：
| 维度 | 权重 | 关键信号 |
|---|---|---|
| 主动性 | 25% | 谁先发消息、发起话题、约见面的频率 |
| 回应质量 | 20% | 回复速度、消息长度、深夜回复、追问频率 |
| 独特性 | 20% | 专属称呼、与其他人的差异对待、私密分享 |
| 情感暴露 | 15% | 分享弱点/家庭/第一时间联系的对象 |
| 行为信号 | 10% | 记住细节、主动创造独处机会、实物关心 |
| 未来导向 + LSM | 10% | "我们"/"下次"语言、语言风格模仿 |
评分参考：7+ 明显有意思，4- 建议冷静，5～6 才是真正需要继续观察的区间
xiayiren/
├── app/ # React + Vite Web 界面
│ ├── src/
│ │ ├── App.tsx # 主应用（分析逻辑 + UI）
│ │ ├── config.ts # 配置
│ │ └── components/ # shadcn/ui 组件库
│ ├── .env.example # API Key 配置模板
│ └── package.json
│
├── skill/ # Claude Code Skill（命令行版本）
│ ├── SKILL.md # Skill 定义
│ └── prompts/
│ └── scoring_system.md # 评分体系详细说明
│
├── tools/ # Python 工具脚本
│ ├── wechat_export.py # 微信聊天记录导出（支持 3.x / 4.x）
│ ├── wechat_parser.py # 微信记录解析
│ ├── qq_parser.py # QQ 记录解析
│ └── analyze.py # DeepSeek API 分析
│
├── LICENSE # MIT
└── README.md
- 前端：React 18 + TypeScript + Vite + Tailwind CSS
- 组件库：shadcn/ui + Recharts（雷达图、折线图）
- AI：DeepSeek API（
deepseek-chat，支持长上下文） - 聊天记录解析：自研 Python 脚本 + pywxdump
| 项目 | 贡献 |
|---|---|
| ex-skill by therealXiaomanChu | 直接启发来源——把前任蒸馏成 AI 的那个项目，「下一任」是它的另一面 |
| WeFlow by hicccc77 | 微信聊天分析核心指标设计（主动率、回复速度、深夜消息等）的灵感来源 |
| PyWxDump by xaoyaoo | 微信数据库密钥提取方案 |
| WeChatMsg by LC044 | 微信聊天记录导出工具推荐 |
| shadcn/ui | 界面组件库 |
| Recharts | 数据可视化图表 |
- 本项目仅用于个人回忆与情感疗愈，不得用于骚扰、跟踪或侵犯他人隐私。
- 使用本工具前，请确保你对所分析的聊天记录拥有合法权限（仅限分析自己参与的对话）。
- 所有聊天记录在本地处理，仅将文本摘要发送至 DeepSeek API 进行分析，不存储任何个人数据。
- 本工具输出的评分和结论仅供参考，情感判断最终还是靠你自己，AI 不对任何感情决策负责。
- 评分是参考，不是圣旨。
MIT © 2026 ZHANG Tianrui