Skill

---
name: ta-likes-me
description: 量化判定"ta喜不喜欢你"。导入微信/QQ聊天记录、朋友圈截图、照片，加上你的主观描述，输出1-10分的好感度评分和详细关系进展建议。
argument-hint: [ta的代号]
version: 1.0.0
user-invocable: true
allowed-tools: Read, Write, Edit, Bash
---

> 本 Skill 仅用于辅助判断，感情的事最终还是靠你自己。评分是参考，不是圣旨。

# ta喜不喜欢我？——好感度量化分析器

## 触发条件

当用户说以下任意内容时启动：

* `/ta-likes-me`
* "ta喜不喜欢我"
* "帮我分析一下ta"
* "ta对我有没有意思"
* "我想知道ta喜不喜欢我"
* "帮我看看这段关系"

---

## 工具使用规则

| 任务 | 使用工具 |
|------|----------|
| 读取聊天记录文件（txt/csv/html） | `Read` 工具 |
| 读取朋友圈截图/照片 | `Read` 工具（原生支持图片） |
| 解析微信聊天记录 | `Bash` → `python3 ${CLAUDE_SKILL_DIR}/tools/wechat_parser.py` |
| 解析 QQ 聊天记录 | `Bash` → `python3 ${CLAUDE_SKILL_DIR}/tools/qq_parser.py` |
| 调用 DeepSeek 综合分析 | `Bash` → `python3 ${CLAUDE_SKILL_DIR}/tools/analyze.py` |

**DeepSeek API Key**：`sk-077614bea298430a89cb0f463cbb6932`（已内置于分析脚本）

---

## 主流程

### Step 1：基础信息收集

只问以下 3 个问题，简洁快速：

**Q1. ta 的代号？**（不需要真名，你怎么叫 ta 都行）
> 示例：`小橙子` / `隔壁工位那个` / `健身房认识的` / `初恋`

**Q2. 你们目前是什么关系？**（一句话说清楚）
> 示例：`同班同学，认识3个月，有过两次单独出去玩`
> 示例：`微信好友，线上认识的，没见过面，聊了快两个月`
> 示例：`前同事，最近又开始联系了`

**Q3. 你自己觉得 ta 喜不喜欢你？为什么这么想？**（主观感受，不用准确）
> 这个问题非常重要，你的直觉往往有价值

收集完以上信息后，进入 Step 2。

---

### Step 2：原材料导入

展示以下选项，用户可以混用，也可以跳过直接用口述：

```
原材料越多，判断越准。可以提供以下任意组合：

  [A] 微信聊天记录
      导出格式：txt / html / csv（推荐 WeChatMsg、留痕、PyWxDump）
      直接粘贴也行

  [B] QQ 消息记录
      QQ 消息管理器导出的 txt / mht 格式

  [C] 朋友圈截图 / 社交媒体截图
      ta 发的内容、你们互动的截图

  [D] 聊天截图
      微信/QQ/其他平台的聊天截图（直接上传）

  [E] 口述 / 主观描述（必选项之一）
      把你观察到的事情告诉我，越详细越好

没有文件也没关系，纯口述可以分析，只是置信度会低一些。
```

---

#### 方式 A：微信聊天记录

如果用户提供了文件路径，执行：

```bash
python3 ${CLAUDE_SKILL_DIR}/tools/wechat_parser.py \
  --file "{path}" \
  --output /tmp/wechat_signals.txt \
  --format auto
```

读取输出文件，提取以下信号维度：
- 主动发起对话频率（ta vs 你）
- 平均回复时间（秒回 / 几分钟 / 小时以上）
- 消息长度对比（ta 发的 vs 你发的）
- 深夜聊天频率
- 高频话题类型（日常闲聊 / 私密分享 / 约见面 / 抱怨 / 撒娇）
- 特殊语言信号（昵称、"我们"、未来话题）

如果用户直接粘贴聊天记录，直接分析文本内容，提取相同维度。

---

#### 方式 B：QQ 聊天记录

如果用户提供了文件路径，执行：

```bash
python3 ${CLAUDE_SKILL_DIR}/tools/qq_parser.py \
  --file "{path}" \
  --output /tmp/qq_signals.txt
```

提取维度与微信记录相同。

---

#### 方式 C/D：截图分析

用 `Read` 工具直接读取图片文件（支持 PNG/JPG/WEBP），逐张分析：

- 朋友圈内容：ta 展示的生活状态、情绪、关注的话题
- 互动记录：ta 有没有给你点赞/评论
- 聊天截图：消息内容、语气、表情包使用
- 注意截图中的时间戳：深夜消息是强信号

---

#### 方式 E：口述 / 主观描述

引导用户回忆以下内容（按需提问，不要一次问完）：

```
告诉我你观察到的事：

  最近一次让你觉得"ta可能有意思"的事是什么？
  ta 会主动找你聊天吗？主动的时候是什么情况？
  当你主动找 ta 时，ta 的回应怎么样？
  你们有没有单独出去过？是谁约的？
  ta 会记得你说过的事情吗？
  ta 跟别人说话和跟你说话，有什么不一样吗？
  ta 对你有过肢体接触吗？（拍肩膀、碰手、etc.）
  你们互相在对方的朋友圈有互动吗？
  ta 知道你喜欢 ta 吗？
```

---

### Step 3：信号提取与量化

将收集到的所有原材料整理成结构化的信号清单，按 7 个维度评估：

参考 `${CLAUDE_SKILL_DIR}/prompts/scoring_system.md` 中的评分标准，对每个维度打分（0-10分）：

| 维度 | 信号类型 | 权重 |
|------|---------|------|
| 主动性 | 谁更主动？主动频率和质量 | 25% |
| 回应质量 | 回复速度、长度、情感投入度 | 20% |
| 独特性 | 对你的态度是否和对其他人不同 | 20% |
| 情感暴露 | 是否分享私密/脆弱的内容 | 15% |
| 行为信号 | 记住细节、主动创造见面机会 | 10% |
| 未来导向 | 有没有提及"以后"、"下次"、"我们" | 5% |
| 直觉信号 | 用户自己的感受（修正项） | 5% |

---

### Step 4：调用 DeepSeek 综合分析

将提取到的所有信号整理成 JSON，写入 /tmp/signals_input.json，然后执行：

```bash
python3 ${CLAUDE_SKILL_DIR}/tools/analyze.py \
  --input /tmp/signals_input.json \
  --output /tmp/analysis_result.json
```

如果 DeepSeek 调用失败，直接由 Claude 完成综合分析（降级方案）。

---

### Step 5：输出分析报告

读取分析结果，用以下格式输出报告：

---

```
╔══════════════════════════════════════════════╗
║          ta喜不喜欢我？ 分析报告              ║
╚══════════════════════════════════════════════╝

分析对象：{ta的代号}
分析时间：{当前时间}
原材料：{列出已导入的材料类型}

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

【综合好感度评分】

  {score} / 10   {score_bar}

  {score_label}

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

【各维度得分】

  主动性     {dim1_score}/10  {dim1_bar}
  回应质量   {dim2_score}/10  {dim2_bar}
  独特性     {dim3_score}/10  {dim3_bar}
  情感暴露   {dim4_score}/10  {dim4_bar}
  行为信号   {dim5_score}/10  {dim5_bar}
  未来导向   {dim6_score}/10  {dim6_bar}

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

【关键信号解读】

{列出 3-5 条最有诊断价值的具体信号，说明为什么这个信号重要}

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

【风险信号】

{如果有负面信号，在这里说明，不回避}

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

【行动建议】

{根据评分给出具体、可执行的建议}

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

【置信度说明】

原材料丰富度：{rich/medium/sparse}
分析置信度：{high/medium/low}
{如果原材料不足，说明哪些信息能提高准确度}
```

---

评分标准（score_label）：

| 分数 | 标签 | 行动建议基调 |
|------|------|------------|
| 9-10 | ta 基本已经在等你表白了 | 直接约，别磨叽，就这两天 |
| 7-8 | 明显有好感，关系在升温 | 再推进一步，制造独处机会 |
| 5-6 | 好感存在但不确定 | 继续升温，别急着表白 |
| 3-4 | 普通朋友的感觉居多 | 先搞清楚，别投太多感情 |
| 1-2 | 信号很弱，可能是你想多了 | 先想想自己想要什么 |

score_bar 格式：`████████░░` (用实心/空心方块表示分数)

---

### Step 6：追问与深化

报告输出后，主动问：

```
还想深入了解哪个方面？

  [1] 详细解读某个具体信号
  [2] 分析 ta 的性格特点和相处模式
  [3] 给我具体的聊天/约见面话术
  [4] 如果我直接表白，成功率大概是多少？
  [5] ta 可能对我是什么感情（喜欢/把我当备胎/纯友情）
  [6] 我该怎么做才能提高好感度？

直接说你想知道什么也行。
```

---

## 追加原材料模式

当用户说"我又有新的聊天记录"/"上次分析完之后又有新情况"时：

1. 询问新的原材料或新发生的事
2. 在已有分析基础上增量更新
3. 说明本次新增信号对评分的影响（上升/下降/稳定）
4. 输出更新后的评分

---

## 注意事项

1. **不要美化**：如果信号很弱，直接说。不要为了让用户开心给虚高的分数
2. **具体胜于模糊**：分析时引用具体的原材料内容，不要说"从聊天记录来看..."这种废话
3. **区分"喜欢"的层次**：ta 可能是普通好感、暧昧、认真喜欢、或者把你当备胎，要分清楚
4. **不鼓励舔狗行为**：如果用户表现出单方面付出太多，要指出来
5. **隐私保护**：所有分析仅在本地进行，不存储聊天内容