「我和 XXX 的关系在哪个阶段最好?后来发生了什么?」
「这个群里真正活跃的人是谁?他们通常聊什么?」
「我今年和哪些朋友聊得越来越少了?」
所有数据留在本地,不上传任何服务器。
功能示例
点击可放大查看
Power your agent
पब्लिशर का इंस्टॉल। PlugMCP एंडपॉइंट नहीं।
Host a copy with our keys and logs.
रजिस्ट्री में अभी कोई पैकेज्ड रिलीज़ नहीं है। रिपॉज़िटरी का README देखें.
रिमोट URL या आपकी मशीन पर कमांड? दोनों इंस्टॉल में क्या अंतर है
PlugMCP पर चलाएँ
A new server you create. It is not this listing's official endpoint. Use the publisher install when you want their URL and their credentials.
लॉन्चपब्लिशर से
「我和 XXX 的关系在哪个阶段最好?后来发生了什么?」
「这个群里真正活跃的人是谁?他们通常聊什么?」
「我今年和哪些朋友聊得越来越少了?」
所有数据留在本地,不上传任何服务器。
点击可放大查看
🔍微信聊天数据分析的本地化AI-agent(Docker/Windows/MacOS) · AI分身 / 大模型分析 / 好友排行 / 词云 / 情感趋势 / 群聊画像
| AI 分身 | AI 分析 |
|---|
![]() | ![]() |
| AI 群聊 | AI 首页 |
![]() | ![]() |
| 快速入门引导 | 好友总览 |
![]() | ![]() |
| 好友深度画像 | 群聊画像 |
![]() | ![]() |
| 全局搜索 | 时间线 |
![]() | ![]() |
| 时光机 | 纪念日 |
![]() | ![]() |
让 AI 学习任何联系人的聊天风格,模拟和 TA 对话——像真的在和 TA 聊天一样。
聊天记录是一个人最真实的语言印记。AI 分身从中学习 TA 的用词习惯、语气特征和表达方式,让你可以:
和已经失去联系的老友再聊一次——哪怕只是 AI 模拟的,也能找回当年的感觉
让远在天堂的亲人以 TA 熟悉的方式"回复"你——不是冰冷的机器,而是带着 TA 说话习惯的温暖文字
在做重要决定前,和最信任的人的 AI 分身聊聊——TA 会用 TA 的方式给你回应
或者纯粹好奇——你最好的朋友如果看到你发的这句话,会怎么回?
[!NOTE] AI 分身旨在帮助用户回忆珍贵的人际关系。模拟结果由 AI 生成,不代表真人的真实想法。请善意使用,不要用于冒充他人身份或误导第三方。使用本功能即表示用户同意自行承担使用后果,项目作者不对因使用 AI 分身产生的任何直接或间接影响负责。
详细实现见 ai-clone.md。
让 AI 模拟群友继续聊天——按每个成员的发言比例和说话风格生成对话,你也可以随时加入。
详细说明见 ai-group-sim.md。
不再局限于单个联系人——直接问关于所有聊天记录的问题,AI 自动搜索并汇总回答。
「谁跟我聊过旅行?」→ AI 搜索全部联系人,找到 3 人提到过旅行,汇总每人聊了什么
「去年国庆我都跟谁聊天了?」→ AI 查询 10/1-10/7 的日历数据,列出每天的聊天对象
「哪些朋友经常提到加班?」→ AI 搜索关键词,按匹配频次排列
技术原理:LLM Agent 模式——第一步 LLM 解析问题意图(提取关键词/时间范围),第二步自动调用搜索/日历 API 收集数据,第三步 LLM 基于真实数据生成回答。每次提问仅消耗 ~4000 token。
AI 首页的联系人分析和跨联系人问答的对话自动保存到本地数据库,支持:
对任意联系人生成三种深度分析(基于统计摘要 + 采样消息,低 token 消耗):
所有 AI 功能的系统提示词(System Prompt)完全透明、可自定义:
{{name}}(联系人名)、{{today}}(日期)、{{rounds}}(轮数)等联系人详情页头部点紫色 BookOpen 按钮,进入一段章节化、有选项、多结局的视觉小说。AI 把 TA 当 NPC,剧情用 TA 的「分身画像」和真实事件素材生成 —— 像乙女游戏 / Doki Doki,但主角是你和你认识的人。
[!NOTE] 剧情仅在本地处理,所有选择只影响这一档存档。AI 输出不代表真人想法,请尊重当事人。
每条存档独立,同一联系人可开多档;每章自动入库,可回滚到任意章看不同分支。
4 页分页(仿 Spotify Wrapped):
???支持白底长图导出(720px 宽,footer 自带 welink.click + 日期),发朋友圈合适。
设置页开启「AI 文生图」后,每章卡片右上角出现 ✨ 按钮 —— 调一张电影感场景图(不画人脸 / 不出现文字 / 抽象意象),自动入画廊。开局只生 1 张就够用,每张 0.05-0.2 元,不会失控。
clone_profiles.prompt(已训练分身的话);未训练时给兜底人设mem_facts 作为「TA 的世界设定」{affinity, tension, flags[], critical_hits, dealbreaker},每章合并一次 state_delta详细架构与接口见 docs/api.md 的「视觉小说 / 互动小说(VN)」章节。
侧边栏「实验室」Tab,集合了一组好玩、能分享的小工具。和"分析"路线不同,这一组以"卡片化、可截图、像 Spotify Wrapped 一样" 为目标。从 v0.2.0 首发 5 个起持续扩充,现已累计 21 个(聊天 DNA / 高光瞬间 / 灵魂提问机 / 平行宇宙 / 关系星图 / 群金句榜 / 语言进化史 / 聊天地图 / 人情债 / 断联预警 / 群聊 Wrapped / 反向语义搜索 / AI 虚拟群聊 / 群语料 ROI / 关系考古 / 健康日记 / 暧昧探测 / 回复速度榜 / 主动指数榜 / 社交圈流动榜 / 话题图谱)—— 详见 docs/labs.md。会调 LLM 的 Lab 在 tab 上带紫色 AI 标。
类 Spotify Wrapped 的年度聊天人设卡:消息总数、最爱的人、活跃时段、emoji 偏好、最长一句话、最早开始聊的人 …… 全部纯统计、无 LLM——零 token 成本,离线也能出。一键导出长图分享。
AI 从你和某位联系人的聊天记录里,挑出 5–8 段最有故事感的对话片段——表白、争吵、深夜聊人生、第一次见面、相互坦白。每段配一张可截图的卡片,自动生成标题和情绪标签。
AI 出 5 道只有你们俩才答得上的默契测试题("TA 最常吃的早餐是?""你们第一次见面在哪?"),翻面看答案。可以截图给对方做。
把联系人按"共同群聊"聚拢的力导向图——同一个圈子的朋友会自动靠拢成簇,让你一眼看出社交圈层结构。自写的迷你 force-directed layout,零新增依赖。
选一个联系人 + 输入一个"如果……"场景("如果我们五年前就认识"、"如果我现在跟 TA 求婚"、"如果我们是同事"),AI 用 TA 的人设生成一段虚构对话,逐字流式展开。复用 AI 群聊模拟的 persona 引擎。
每个 Lab 都支持白底分享图导出,footer 自带
welink.click+ 日期,发朋友圈合适。
首页左侧 Tab「今日简报」,每天看昨天的社交摘要:
懒生成 + 入库(ai_analysis.db.daily_digests),调试或重新索引后可强制重生成。零 LLM 默认形态(高光抽取走规则)。
侧边栏新 Tab「定时任务」(有新结果时角标显示未读红点)。写一条指令 + 选目标会话 + 选周期,系统就会定时跑 LLM,把结果送进应用内收件箱(markdown):
纯本地 App 调度,只在打开时执行;关闭期间错过的下次打开补跑一次(不堆积)。任务定义存 scheduled_tasks 表,运行历史存 task_runs 表。
聊天 DNA 是"庆祝长期连接",断联预警是它的反面。扫所有私聊(总消息 ≥ 50 条)的 LastMessageTs,按静默天数 ≥ 30 排出 Top 30:
三档分级人数:30-89 天 / 90-179 天 / 180+ 天。零 LLM、10 分钟缓存、可截图分享。
WeLink 内置完整的 AI 分析引擎,可对任意联系人、群聊或某一天的聊天记录发起对话式分析。
LLM 批量阅读聊天记录,自动提炼关键事实(人名、事件、情感节点)并持久化存储。后续对话中,AI 可以调用这些「长期记忆」,而不依赖每次重新加载全量消息。
在设置页面填写提供商、Base URL、API Key 和模型名称即可。支持为 AI 对话和记忆提炼分别指定不同的模型。
Vertex AI 配置:选择
Google Vertex AIprovider → 粘贴完整的 Service Account JSON → 填写 GCP Project ID 和 Region → 选择模型(默认google/gemini-2.0-flash-001)Bedrock 配置:选择
AWS Bedrockprovider → 填写 AWS Access Key ID 和 Secret Access Key → 填写 Region → 填写 Model ID(如anthropic.claude-3-5-sonnet-20241022-v2:0)
本地 Ollama 配置参考 ollama-setup.md,完整 AI 功能说明见 ai-analysis.md。
三个使用场景,统一走一套生图引擎:
实现细节
doubao-seedream-3-0-t2i-250415gpt-image-1 / dall-e-3,默认请求 b64_json 省一次下载sha256(v2|provider|model|size|prompt) → ~/.welink/ai_images/<hash>.png。命中直接秒返,不重复调 API。老 v1 hash 缓存也兼容命中,避免升级后图全部失效重出GET /api/image/cache/:hash 拿图(火山返回的临时 URL 24h 过期;html-to-image 导出分享卡也要求同源)GET /api/image/providers 返回 provider/model/size/key 跳转链接清单,前端零硬编码ai_analysis.db.image_tasks,进程崩了重启会把孤儿 running 任务标 failedimages + FTS5 索引),侧边栏新 Tab,支持 prompt 全文搜索、scene/provider 过滤、收藏、下载、删除(软删 30 天后 GC)、一键基于原图重生成(改 prompt 或换尺寸)WeLink 内置 MCP(Model Context Protocol) 服务器,让你在 Claude Code(CLI) 里用自然语言查询微信数据,无需打开浏览器。
完整配置见 mcp-server/README.md。
把聊天记录里的人际关系,直接炼化成 Claude Code / Codex / Cursor 等 AI 编程工具的 Skill 文件包。 一次炼化,多处使用。
lora-jsonl 是纯本地数据导出,不调 LLM、不抽风格画像,把"我"和所有联系人的对话配成
(对方上一句, 我的回复)训练样本。隐私保护:手机号 / 邮箱 / 身份证 / 卡号自动脱敏,联系人 wxid 匿名化为 c01..cNN,敏感模式整条丢弃。仅支持skill_type=self。
侧边栏新增「Skills」页面,集中管理所有已炼化的 Skill 包:
ai_analysis.db 的 skills 表),文件保存到 ~/.welink/skills/<id>/<filename>.zip~/Downloads/ 的完整路径,可一键复制WeLink 不止告诉你"现在关系多热",而是前瞻性地判断每段关系的走向,并给出具体行动建议。
扫描每个联系人最近 6 个月的消息节奏,对比最近 3 月 vs 前 3 月自动打档:
简单的「消息减少了」可能是双方都忙,结合多维信号才能识别到底是谁在疏远谁:
reason 文案示例:
最近 3 个月消息减少 65%(120 → 42);原本你更主动(72%),现在对方说得更多(58%);TA 回复从 12 分钟变成 8 小时
对 cooling / endangered 联系人,点「写开场白」→ 取最近 40 条消息 + 相识年数 + 沉默天数 → LLM 写 4 条不同调性(关心 / 回忆 / 调侃 / 约见)的破冰草稿,一键复制粘到微信。
AI 首页顶部的小 banner,对比上次快照(≥5 天前):「近 7 天变化:3 位关系降温 · 1 位回暖」。按 ISO 周关闭。
设置页加「关系预测 · 忽略名单」,首页点「不再推荐此人」后可在这里撤销。
把年度回顾、对话归档、AI 对话历史、记忆图谱四类内容,统一打包导出到 8 种目标:
笔记 / 文档平台
云盘 / 对象存储
Token 配置与既有 LLM 配置一样支持脱敏占位符 __HAS_KEY__,保存后不会泄露明文。
OAuth 类目标(Google Drive / OneDrive)使用流程
http(s)://<你的 WeLink 地址>/api/export/oauth/<gdrive|onedrive>/callbackSQLite 数据直接暴露给懂 SQL 的用户,配 4 件套 工具:
在面板里输入中文问题,例如:
「我和老婆的第一条消息是什么时候」 「今年跟我妈聊了多少条消息」
LLM 会:
{db, sql, explain} JSON(严格限制 SELECT/PRAGMA only + LIMIT 50)跨库联系人消息(mode=contact_messages):按备注模糊查 contact.db → md5 计算 Chat_xxx 表名 → 遍历 message_N.db 找到有该表的 DB 执行 SQL。"我和 XX 的..." 这类跨库问题现在也能直接回答。
结果表支持一键 CSV 下载。
好友分析
时光机
群聊分析 + 小团体检测 + 对比
refermsg/chatusr 引用信号而非时间窗<refermsg><chatusr>),列出跟我双向引用互动最多的成员 Top 3,挂在群画像顶部。比单纯 @ 或消息数更能识别"隐形聊友"Esc 退出)、智能节奏(冷场 >5 分钟直接跳过、发言密集按内容长度放慢到能读完)、快进步长可切 3 / 5 / 10 条;快捷键 空格 播放/暂停、→ 快进群聊四件套 — 这个群的指纹
群聊列表四维信息
回复节奏分析(联系人深度画像)
谁最像谁 — 联系人相似度分析
红包 / 转账全局总览
个人自画像
每日社交广度
共同社交圈
链接收藏夹
消息撤回排行
词云交互
全局统计
纪念日
全局搜索增强
链接收藏夹增强
其他
完整说明见 docs/ux.md,高频用到的几项:
把手机聊天记录同步到电脑后(微信 → 设置 → 通用 → 聊天记录迁移),使用 wechat-decrypt 解密:
git clone https://github.com/ylytdeng/wechat-decrypt
cd wechat-decrypt
sudo python3 main.py # 选择 decrypt 模式
解密后生成 decrypted/ 目录(含 contact/contact.db 和 message/message_N.db)。
Docker 模式(将 decrypted/ 放在仓库根目录内):
cd welink
docker compose up
访问 localhost:3418 开始使用。
完整 Docker 部署指南(环境变量 / Volume / 反代 HTTPS / 升级 / 多 profile / K8s 等)见 docs/docker.md。
macOS / Windows App(无需 Docker):前往 GitHub Releases 下载,启动后在设置页选择 decrypted/ 目录即可。
端口说明:详见下方端口与自定义章节。
docker compose -f docker-compose.demo.yml up
或直接访问 https://demo.welink.click。
Demo 数据以阿森纳 2025/26 赛季一线队球员与教练组为联系人,消息内容充满更衣室气息。COYG! 🔴⚪
系统要求:macOS 12(Monterey)及以上
WeLink.dmg/Applications,双击运行提示「无法打开」? 右键 → 「打开」→ 再次点击「打开」。若仍无效:
xattr -cr /Applications/WeLink.app
完整指南(配置路径 / 端口自定义 / 升级 / 多 profile / FAQ)见 docs/install-macos.md。从源码构建:make dmg。
系统要求:Windows 10 1903 及以上
WeLink-windows-amd64.zip,解压后双击 WeLink.exe完整指南(%APPDATA%\WeLink 配置路径 / 端口自定义 / 升级 / 多 profile / FAQ)见 docs/install-windows.md。从源码构建:make exe。
WeLink 启动时会占用以下端口:
macOS / Windows App:在设置页修改端口,或编辑 preferences.json:
{ "port": "9090" }
也可以通过环境变量覆盖:
PORT=9090 ./WeLink
Docker Compose:修改 docker-compose.yml 的端口映射:
ports:
- "5000:80" # 改为 5000
本地开发:
config.yaml 的 server.port,或 PORT=9090 go run .frontend/vite.config.ts 的 server.port首次使用建议先选「近 6 个月」体验,确认无误后再切换到「全部数据」。
┌──────────────────────────────────────────┐
│ 终端用户 (浏览器 / App) │
└────────────────┬─────────────────────────┘
│ HTTP / SSE
▼
┌───────────────────────────────────────────────────────┐
│ 前端 (React) │
│ Dashboard · AI 对话 · 设置 · 数据库 · 记忆库 · 播客 │
└────────────────┬──────────────────────────────────────┘
│ REST + SSE
▼
┌───────────────────────────────────────────────────────┐
│ 后端 (Go + Gin, 单 binary) │
│ │
│ ┌─────────┐ ┌────────┐ ┌──────┐ ┌──────┐ ┌────┐ │
│ │ 统计分析 │ │ AI/LLM │ │ RAG │ │ 记忆 │ │ TTS│ │
│ │ 服务 │ │ 多 provider│ FTS+向量│ 提炼 │ 代理│ │
│ └─────────┘ └────┬───┘ └──┬───┘ └──────┘ └────┘ │
│ │ │ │
│ ┌─────▼─────────▼────┐ │
│ │ DB 管理器 (纯 Go) │ │
│ └─────┬─────────┬────┘ │
└────────────────────┼─────────┼────────────────────────┘
│ │
┌────────▼───┐ ┌─▼──────────────┐
│ 解密后的 │ │ ai_analysis.db │
│ 微信 DB │ │ AI 对话/记忆/ │
│ (contact/ │ │ 向量索引/播客 │
│ message) │ │ 历史 │
└─────────────┘ └────────────────┘
▲
│ 本地解密(不出机器)
│
┌────────┴─────────────┐
│ wechat-decrypt │
│ (从微信进程内存取 key) │
└──────────────────────┘
外部可选集成(全部用户自备凭证)
─────────────────────────────────────────────────────────────────
LLM: OpenAI / Anthropic / Gemini / DeepSeek / 豆包 / Kimi / Ollama / Vertex / Bedrock
/ OpenRouter / SiliconFlow / DashScope / 混元 / 千帆 / GLM / MiniMax / Mistral
/ Groq / Together / Fireworks / Perplexity / Cohere / Yi / StepFun / Azure ... (共 25+)
Image: 豆包即梦(火山方舟,OpenAI 兼容 /images/generations)
导出: Markdown / Notion / 飞书 / WebDAV / S3 / Dropbox / Google Drive / OneDrive
MCP: Claude Code / Claude Desktop / Cline / Continue / Windsurf / Zed / ... (独立 Go binary)
TTS: OpenAI / Azure / Edge-TTS (播客功能)
移动: PC 端配对 token + LAN IP → 手机扫码访问(Phase 1)
关键设计
mcp-server binary 通过本地 HTTP 反向代理后端 API,让 Claude Code 等 MCP 客户端能直接用自然语言查询你的聊天数据API 文档:启动后访问 localhost:3418/swagger/。架构细节与分层职责见 docs/architecture.md,更多技术文档见 docs/。
所有数据仅在本地处理,不会上传至任何服务器。请仅分析自己的聊天记录。
本项目依赖 ylytdeng/wechat-decrypt 实现微信数据库解密。微信数据库使用 SQLCipher 加密,该项目从进程内存中提取密钥,是 WeLink 的基础。
🔍微信聊天数据分析的本地化AI-agent(Docker/Windows/MacOS) · AI分身 / 大模型分析 / 好友排行 / 词云 / 情感趋势 / 群聊画像
टूल
अभी टूल सूची नहीं है। रिमोट सर्वर को पहले हेल्थ चेक के बाद सूची मिलती है।
FAQ
इस पेज पर Cursor, Claude Desktop, Claude Code या VS Code के लिए stdio कॉन्फ़िग कॉपी करें। यह पब्लिशर का इंस्टॉल इस्तेमाल करता है, PlugMCP प्रॉक्सी नहीं।
इस रिकॉर्ड में कोई ज़रूरी एनवायरनमेंट वेरिएबल दर्ज नहीं है।
Welink stdio पर लोकल चलता है।
पिछली जाँच 2026-11-17 को हुई। 🔍微信聊天数据分析的本地化AI-agent(Docker/Windows/MacOS) · AI分身 / 大模型分析 / 好友排行 / 词云 / 情感趋势 / 群聊画像