letshow
返回作品列表

03 / 桌面工具 · 二次开发

微语 / WXtool

面向 Windows 的微信聊天分析工具,整理沟通统计和分析结果。

基于 WechatVibe 二次开发

01 / 项目背景

先看清聊天事实,再决定如何理解。

聊天记录按时间不断向后累积。想回顾一段交流时,既需要找到具体说过的话,也需要了解消息数量、交流时段和双方发言情况。微语把这些观察放到一个工作台,给回看聊天提供清楚的起点。

项目基于 WechatVibe 二次开发,保留上游的聊天读取与分析能力,增加会话概览和快捷入口。产品思路是先呈现可以核对的统计,再由使用者选择原文、画像或分析工具,避免一打开就只看到模型结论。

02 / 痛点与解法

把使用中的阻碍,变成明确的功能。

记录很多,缺少概览

遇到的问题
只看连续的聊天气泡,很难快速了解这一段交流的规模和节奏。
项目的做法
汇总已加载消息的数量、类型、平均文本长度、发言占比和小时分布。

找到一句话,仍缺上下文

遇到的问题
搜到关键词后,孤立的句子可能不足以理解当时讨论的事情。
项目的做法
支持关键词或日期搜索,点击结果定位原对话,并继续查看前后消息。

统计与推测容易混在一起

遇到的问题
消息数量与情绪、意图等模型判断性质不同,需要分别理解。
项目的做法
工作台统计独立于模型运行;分析另有入口,展示进度和待分析状态。

PROJECT WALKTHROUGH

看一段实际操作。

0:32 · 无声演示

选择会话、浏览消息统计,再搜索并定位历史聊天。录制于实际工作台,聊天均为人工编写的合成数据;未连接模型,人物画像保留待分析状态。

单独打开视频
查看演示步骤
  1. 在沟通工作台选择“乔宁 · 合成长对话”,查看已加载消息统计。
  2. 进入聊天原文,打开聊天记录,搜索关键词“安排”。
  3. 点击搜索结果,定位到原始对话并查看上下文。
  4. 打开人物画像,查看尚未分析的状态,然后返回工作台。

03 / 图文体验

从界面,看功能如何落地。

结合实际界面阅读;截图使用合成展示数据,可放大查看。

01 / EXPERIENCE

从会话速览进入具体聊天

工作台上方先说明账号、会话和模型状态。选定会话后,数字卡片呈现当前加载窗口内的消息情况,下方展示交流时段与双方占比,再通过按钮进入聊天、画像或设置。截图中的会话与数字来自合成数据,供观察界面组织方式。

  • 统计区明确写出样本范围,加载更早记录后重新计算,不把当前窗口当作全部历史。
  • 视频补充演示关键词搜索与原文定位;未运行模型的画像保持待分析状态。
微语合成聊天测试环境的沟通工作台,展示会话选择、已加载消息统计、交流时段和本地模型状态实际界面截图 · 合成聊天数据 · 非分析效果证明
沟通工作台与会话统计

沟通工作台与会话统计

实际界面截图 · 合成聊天数据 · 非分析效果证明

微语合成聊天测试环境的沟通工作台,展示会话选择、已加载消息统计、交流时段和本地模型状态实际界面截图 · 合成聊天数据 · 非分析效果证明

04 / 实现原理

一次操作,背后如何流转。

核心处理流程按数据流向阅读
  1. 确定账号与会话

    校验当前账号,读取会话目录,由使用者添加要查看的会话。

  2. 按需读取消息

    Python 桥接层组织消息窗口;历史页面按游标继续读取,搜索结果可定位上下文。

  3. 计算事实统计

    前端按消息标识去重,再计算数量、时间分布和发言比例,不需要调用模型。

  4. 选择分析路径

    主动发起分析后,按所选来源调用本地 Laya 或配置的 API;界面呈现对应任务状态。

  5. 保存并继续回看

    会话选择与结果保存在本地 SQLite 中,结果按账号、会话和模型来源或版本区分。

先限定样本,再解释数字

统计只处理已加载消息。未知发送者单独计数,无效时间不进入时段图;群聊将其他成员合并显示,避免把局部样本包装成完整关系结论。

桌面交互与分析分工

Electron 承载界面,Python 处理本机数据和任务,Node 负责模型调用。界面通过本机 HTTP 读取状态,模型计算不直接塞进页面交互代码。

切换账号也切换上下文

SQLite 文件按账号区分,历史游标校验账号与会话;前端在账号变化时取消旧请求并重置当前视图,减少旧结果串入新会话的风险。

05 / 技术栈

每一层技术,都有具体职责。

桌面容器
  • Electron

提供 Windows 窗口与受限桌面接口,加载本机服务提供的页面。

沟通工作台
  • HTML
  • CSS
  • JavaScript

组织会话选择、统计卡片、历史搜索和消息展示。

本机服务
  • Python
  • HTTP

读取消息、校验账号范围,提供历史查询与分析任务接口。

分析执行
  • Node.js
  • TypeScript
  • ONNX Runtime

执行本地 Laya,或通过模型连接器调用所配置的 API。

本地持久化
  • SQLite

保存会话选择、分析结果与进度,并区分账号和分析来源。

06 / 设计取舍

为什么这样设计。

本地能力与 API 各有边界

事实统计和本地 Laya 可在本机处理;远程 API 分析与聊天助手会发送相关上下文给所配置的服务。因此不能把整个产品描述为全程离线,模型推测也不能替代对原文的判断。

展示操作,不替代真实验收

展厅图片和视频使用合成聊天,视频未连接模型。它们说明工作台、搜索和统计如何使用,不证明分析准确度或各版本微信的兼容性;二次开发背景持续保留。