前言¶

在 DeepSeek Harness（DSH）裏做智能體或本地助手時，聊天上下文往往只覆蓋「當前會話」。微信這類 IM 裏聯繫人一多，誰值得繼續投入、關係是否在降溫、下一步該怎麼聊，很難靠肉眼翻記錄判斷。常見做法是導出聊天記錄後自己寫腳本或丟進表格，視圖分散，也很難和 Harness 裏的模型決策接在同一條工作流裏。

下面介紹社區插件 dsh-wechat-relations（維護者 liuzhuomin，目錄分類爲模型推理）：在 DSH 側欄提供「關係分析」界面，用人物卡片、健康度分數、決策時間線和 AI 決策建議，把大量聯繫人壓縮成可判斷的關係網。倉庫默認只附帶模擬數據，不含真實微信內容；接自己的數據需按文檔準備本地 JSON。

這是什麼¶

dsh-wechat-relations 是爲 DeepSeek Harness 設計的微信關係分析插件。定位是：本地讀入結構化關係數據，在瀏覽器端展示網絡、時間線、洞察與分類，並在單人頁上調用你配置的模型輸出「推進 / 維持 / 降溫 / 收手」類建議。

插件在 SkillHub 目錄 與 GitHub 分發；社區目錄爲獨立站點，與 DeepSeek / 幻方無官方從屬關係。許可證爲 MIT（見倉庫 README）。

界面與六個視圖¶

README 用 ASCII 示意了佈局：左側聯繫人列表，右側爲選中人的核心指標、決策轉折點與 AI 決策區。六個視圖分工如下。

單人頁還包括：消息量與回覆中位、五維星圖（親密 / 主動 / 穩定 / 情緒 / 邊界）、決策轉折點（可點開對應時段聊天記錄）、自動提取的認設文檔，以及「該怎麼決策」——讀最近 1200 條聊天與全部彙總數據後生成可執行建議。

分數怎麼算¶

文檔強調：所有分數是同批聯繫人內的百分位，不是絕對值；整體話多不會導致全員偏高。

• 我在意 TA：字數佔比 40% + 主動發起 20% + 持續 20% + 優先回復 10% + 投入字數 10%
• TA 在意我：主動 30% + 優先回復 25% + 投入字數 25% + 持續 20%
• 健康度：回覆速度、邊界感、持續性三項百分位的均值（文檔寫明均值固定爲 50）

排除規則：消息量小於 150、以及機器人（gh_ / filehelper / 文件傳輸助手）不計分。

安裝與啓用¶

插件以本地目錄形式掛入 DSH profile。README 給出的流程是：先在本機準備倉庫、生成模擬數據並構建前端，再執行 dsh plugin add。

1. 克隆倉庫並進入目錄（路徑按你本機爲準）：

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

2. 生成 24 個虛構人物的模擬數據，並打包進 client.js：

node mock-data.mjs
node build.mjs

3. 可選自檢：

node validate.mjs

4. 在 DSH 的 profile 裏添加插件目錄：

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

重啓 DSH 後，側欄應出現「關係分析」。package.json 中 npm 腳本等價寫法爲：npm run mock、npm run build、npm run check。

注意： 插件隨當前 DSH 進程權限運行；安裝前應自行閱讀源碼與 MIT 許可證，確認可接受本地文件訪問與模型調用行爲。

模擬數據與接入真實數據¶

mock-data.mjs 產出形如 demo_007 的 id，字段包括 title、category、volume、health、timeline 等；分類覆蓋八類，消息量與走勢爲隨機生成。示例片段見倉庫 README。

接真實數據時，插件只讀本地 JSON，格式與模擬數據一致。文檔列出的來源有三類：

1. 自行導出：微信 PC 端導出聊天記錄，按 data/<id>.jsonl 存放，一行一條 { sentAt, isSelf, text }；
2. 配套 Python 分析腳本產出 people.json / insights.json 等（README 寫明該腳本未包含在倉庫）；
3. 自行編寫符合字段的 JSON，由 build.mjs 打包。

不要把真實數據提交進 Git；.gitignore 已忽略 data/、*.jsonl、*.db、decision-engine.json，提交前仍建議檢查 git status。

決策引擎與隱私¶

默認決策分析使用 DSH 當前模型。若要改用 JEV（TypeSafe AI 商業決策模型），可向插件 HTTP 接口 POST 配置（端口爲 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 兼容格式調用；非兼容格式需改 `callJev()`。

隱私說明（來自 README）：彙總與展示在本地完成；決策分析會把選中關係及最近 1200 條聊天發到你配置的模型（默認即 DSH 當前模型，或 JEV 接口）。倉庫內數據均爲虛構。

# 代碼結構（便於二次開發）

index.js host 半：/data /events /range /search /advise /engine /analyze
client.template.js 瀏覽器半：六個視圖 + 單人頁 + AI 面板
build.mjs 把 JSON 注入 template，產出 client.js
mock-data.mjs 生成模擬數據
validate.mjs 8 項靜態自檢（stub React，不跑瀏覽器）
locale/ zh / en
```

適用場景與注意¶

適合需要在 DSH 同一環境裏做本地關係可視化、並在單人頁觸發模型推理決策建議的開發者；分類落在目錄「模型推理」，與純 UI 插件不同，會涉及向模型發送選定聊天片段。

務必記住：當前倉庫僅演示用假數據；真實微信接入需自備導出與分析鏈路。姊妹項目 dsh-art-workshop 爲另一條內容生產流水線，與本插件目標不同。

結尾¶

dsh-wechat-relations 把聯繫人關係網、健康度百分位、轉折點與 AI 建議收進 DSH 側欄，計算與展示以本地 JSON 爲主，決策環節才走你配置的模型。若要試用演示版，按 README 生成 mock 數據並 dsh plugin add 本地路徑即可。

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