She Love Me

执行步骤（严格按顺序）

Step 0: 平台选择

向用户提问并等待回答：「你要分析哪个平台的聊天记录？微信（WeChat）还是 QQ？」

• 微信路径 → Step 1 → Step 2 → Step 3 → Step 4 → Step 5 → Step 6
• QQ 路径 → Step QQ-1 → Step QQ-2 → Step QQ-3 → Step QQ-4 → Step 6

══════════════ 微信路径 ══════════════

Step 1: 环境检查（微信专用）

优先使用 python（Windows）或 python3（macOS/Linux），回退到另一个。

<PYTHON> scripts/setup_check.py --ensure-decryptor

• 返回非 0：读取 JSON 错误信息并说明原因
• "请先打开微信并登录" → 停止执行
• 权限错误 → Windows 提示管理员终端；macOS 提示检查终端权限

Step 2: 解密微信数据库（微信专用）

<PYTHON> scripts/decrypt_wechat.py

• macOS 会自动编译调用 vendor/wechat-decrypt/find_all_keys_macos.c
• 成功后在 vendor/wechat-decrypt/decrypted/ 生成解密后的 SQLite 文件
• 失败时读取错误信息并向用户说明原因

Step 3: 列出联系人（微信专用）

<PYTHON> scripts/list_contacts.py --decrypted-dir vendor/wechat-decrypt/decrypted

输出 JSON 格式联系人列表（名字 + 消息数量）。

Step 4: 用户选择联系人（微信专用）

向用户展示联系人列表（按消息数量排序，只展示前 30 位），等待用户选择： 「请选择要分析的联系人（输入名字或序号）：」

Step 5: 提取消息（微信专用）

<PYTHON> scripts/extract_messages.py \
  --decrypted-dir vendor/wechat-decrypt/decrypted \
  --contact "<用户选择的联系人名字>" \
  --output data/messages.json

══════════════ QQ 路径 ══════════════

Step QQ-1: 获取 QCE Token

向用户说明前置操作，等待用户提供 Token：

QQ 分析需要先启动 QQ Chat Exporter (QCE)。如果你还没安装：

1. 去 Releases 下载 NapCat-QCE-Windows-x64-vxxx.zip
2. 解压后双击 launcher-user.bat，用手机 QQ 扫码登录
3. 控制台出现 Token: xxxxx 后，复制那串 Token

「请粘贴你的 QCE Access Token（在 QCE 控制台或 %USERPROFILE%\.qq-chat-exporter\security.json 的 accessToken 字段中）：」

将 token 保存为 $QCE_TOKEN，端口默认 40653。

Step QQ-2: 列出 QQ 好友

<PYTHON> scripts/list_contacts_qq.py --token "$QCE_TOKEN" --top 30

报错 "无法连接到 QCE 服务" → 提示用户确认 QCE 已启动并 Token 正确。

Step QQ-3: 用户选择联系人（QQ 专用）

向用户展示好友列表，等待选择： 「请选择要分析的联系人（输入名字、备注或 QQ 号）：」

Step QQ-4: 提取 QQ 消息

<PYTHON> scripts/extract_messages_qq.py \
  --token "$QCE_TOKEN" \
  --contact "<用户选择的联系人名字/QQ号>" \
  --output data/messages.json

找不到联系人 → 建议直接用 QQ 号（纯数字）。 导出完成后自动转换为统一的 messages.json 格式，后续步骤与微信相同。

══════════════ 共同路径（Step 6 起） ══════════════

Step 6: 统计分析

<PYTHON> scripts/stats_analyzer.py \
  --input data/messages.json \
  --output data/stats.json

读取 data/stats.json，获取全量统计数据。

Step 6.5: 采样范围选择

阶段 1：预扫描，向用户展示时间范围与消息条数，等待选择：

<PYTHON> scripts/build_chat_history.py --input data/messages.json --preview

输出 JSON 包含各时间范围的条数和推荐项。向用户展示（格式示例）：

请选择分析的时间范围：
  1. 最近 1 个月（420 条）
  2. 最近 3 个月（1850 条）⭐ 推荐
  3. 最近半年（3200 条）
  4. 全量（8234 条，2024-06-15 ~ 今天）

等待用户选择后，阶段 2：生成分层采样文件：

<PYTHON> scripts/build_chat_history.py \
  --input data/messages.json \
  --output data/chat_history.txt \
  --since <用户选择对应的 date_from>

如果用户选择全量，省略 --since 参数。

Step 7: AI 深度鉴定（核心）

读取以下两个文件：

• data/stats.json — 全量统计数据（消息频率、回复时间、情绪词、语言学特征等）
• data/chat_history.txt — 分层采样的关键窗口（关系起源 / 高冲突区间 / 最近30天 / 修复时刻）

统计层已覆盖全量，叙事分析基于采样窗口 + 统计数据综合判断，不要仅凭窗口内的消息下结论。

分析顺序：F → A → B → C → D → E → G

模块 F 是所有模块的基础——只有真正理解了「这两个人」，才能准确判断「这段关系」。

📖 完整分析框架：读取 references/analysis-framework.md（模块 F + A + B） 🚨 危险预警定义：读取 references/risk-signals.md（模块 C） 🎯 军师与语气风格：读取 references/strategist-guide.md（模块 D + E + G） 📋 输出 JSON schema：读取 references/report-schema.md

5 条执行铁律（不可忽略）：

1. 无证据不诊断 — 所有心理学推断必须引用带时间戳的原话作为锚点
2. 高亮预警优先 — 危险预警仅当量化条件与文本条件同时满足时触发（见 references/risk-signals.md 双阈值规则）
3. 先叙事，后框架 — 描述鉴定师「看到」的画面，再引入理论名词
4. 防御语言是金矿 — 「不合适」「随便」「来者不拒」永远追问：这句话保护了什么？想让对方做什么？
5. 证据不足留白 — 对于 partner_attachment、core_fear、trauma_bonding、future_faking、fatal_mistake、advancement_path 等字段，若无充分证据支撑，输出 {"value": null, "evidence_level": "insufficient", "reason": "..."} 而非强行推断

将完整分析结果保存到 data/analysis.json。

Step 8: 生成报告

<PYTHON> scripts/generate_html_report.py \
  --stats data/stats.json \
  --analysis data/analysis.json \
  --contact "<联系人名字>" \
  --output reports/

Step 9: 展示结论

用 Markdown 格式向用户展示鉴定摘要。

📋 展示模板：读取 references/report-template.md

错误处理