前言¶

在 DeepSeek Harness（DSH）里做智能体或本地助手时，聊天上下文往往只覆盖「当前会话」。微信这类 IM 里联系人一多，谁值得继续投入、关系是否在降温、下一步该怎么聊，很难靠肉眼翻记录判断。常见做法是导出聊天记录后自己写脚本或丢进表格，视图分散，也很难和 Harness 里的模型决策接在同一条工作流里。

下面介绍社区插件 dsh-wechat-relations（维护者 liuzhuomin，目录分类为模型推理）：在 DSH 侧栏提供「关系分析」界面，用人物卡片、健康度分数、决策时间线和 AI 决策建议，把大量联系人压缩成可判断的关系网。仓库默认只附带模拟数据，不含真实微信内容；接自己的数据需按文档准备本地 JSON。

这是什么¶

dsh-wechat-relations 是为 DeepSeek Harness 设计的微信关系分析插件。定位是：本地读入结构化关系数据，在浏览器端展示网络、时间线、洞察与分类，并在单人页上调用你配置的模型输出「推进 / 维持 / 降温 / 收手」类建议。

插件在 SkillHub 目录 与 GitHub 分发；社区目录为独立站点，与 DeepSeek / 幻方无官方从属关系。许可证为 MIT（见仓库 README）。

界面与六个视图¶

README 用 ASCII 示意了布局：左侧联系人列表，右侧为选中人的核心指标、决策转折点与 AI 决策区。六个视图分工如下。

单人页还包括：消息量与回复中位、五维星图（亲密 / 主动 / 稳定 / 情绪 / 边界）、决策转折点（可点开对应时段聊天记录）、自动提取的认设文档，以及「该怎么决策」——读最近 1200 条聊天与全部汇总数据后生成可执行建议。

分数怎么算¶

文档强调：所有分数是同批联系人内的百分位，不是绝对值；整体话多不会导致全员偏高。

• 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、持续性三项百分位的均值（文档写明均值固定为 50）

排除规则：消息量小于 150、以及机器人（gh_ / filehelper / 文件传输助手）不计分。

安装与启用¶

插件以本地目录形式挂入 DSH profile。README 给出的流程是：先在本机准备仓库、生成模拟数据并构建前端，再执行 dsh plugin add。

1. 克隆仓库并进入目录（路径按你本机为准）：

git clone https://github.com/liuzhuomin/dsh-wechat-relations.git
cd dsh-wechat-relations

2. 生成 24 个虚构人物的模拟数据，并打包进 client.js：

node mock-data.mjs
node build.mjs

3. 可选自检：

node validate.mjs

4. 在 DSH 的 profile 里添加插件目录：

dsh plugin add /path/to/dsh-wechat-relations

重启 DSH 后，侧栏应出现「关系分析」。package.json 中 npm 脚本等价写法为：npm run mock、npm run build、npm run check。

注意： 插件随当前 DSH 进程权限运行；安装前应自行阅读源码与 MIT 许可证，确认可接受本地文件访问与模型调用行为。

模拟数据与接入真实数据¶

mock-data.mjs 产出形如 demo_007 的 id，字段包括 title、category、volume、health、timeline 等；分类覆盖八类，消息量与走势为随机生成。示例片段见仓库 README。

接真实数据时，插件只读本地 JSON，格式与模拟数据一致。文档列出的来源有三类：

1. 自行导出：微信 PC 端导出聊天记录，按 data/<id>.jsonl 存放，一行一条 { sentAt, isSelf, text }；
2. 配套 Python 分析脚本产出 people.json / insights.json 等（README 写明该脚本未包含在仓库）；
3. 自行编写符合字段的 JSON，由 build.mjs 打包。

不要把真实数据提交进 Git；.gitignore 已忽略 data/、*.jsonl、*.db、decision-engine.json，提交前仍建议检查 git status。

决策引擎与隐私¶

默认决策分析使用 DSH 当前模型。若要改用 JEV（TypeSafe AI 商业决策模型），可向插件 HTTP 接口 POST 配置（端口为 DSH 暴露的本地端口）：

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；非兼容格式需改 `callJev()`。

隐私说明（来自 README）：汇总与展示在本地完成；决策分析会把选中关系及最近 1200 条聊天发到你配置的模型（默认即 DSH 当前模型，或 JEV 接口）。仓库内数据均为虚构。

# 代码结构（便于二次开发）

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
```

适用场景与注意¶

适合需要在 DSH 同一环境里做本地关系可视化、并在单人页触发模型推理决策建议的开发者；分类落在目录「模型推理」，与纯 UI 插件不同，会涉及向模型发送选定聊天片段。

务必记住：当前仓库仅演示用假数据；真实微信接入需自备导出与分析链路。姊妹项目 dsh-art-workshop 为另一条内容生产流水线，与本插件目标不同。

结尾¶

dsh-wechat-relations 把联系人关系网、健康度百分位、转折点与 AI 建议收进 DSH 侧栏，计算与展示以本地 JSON 为主，决策环节才走你配置的模型。若要试用演示版，按 README 生成 mock 数据并 dsh plugin add 本地路径即可。

• 目录页：https://www.skillhub.cn/plugins/liuzhuomin/dsh-wechat-relations
• GitHub：https://github.com/liuzhuomin/dsh-wechat-relations