ChatLab 聊天记录深度分析 Skill

本包是原创分析方法，不包含 ChatLab 程序。本次对照官方 npm chatlab-cli@0.37.5 的命令定义更新示例（2026-10-08）。安装前检查 npm 包信息；当前发布包要求 Node.js ≥ 22.19.0。clb 和 chatlab 都是官方命令别名，下面统一用 clb。真实聊天导入和模型调用未在本次发布中重跑。

先运行 clb --help、clb formats、clb manifest 核对所装版本。官方项目与文档入口见 ChatLab。

概述

用 ChatLab CLI 对导入的聊天记录做全自动深度分析：统计总览 → 成员排行 → 关键词搜索 → SQL 自由查询 → AI Agent 智能分析 → 生成结构化报告。

前置条件

1. ChatLab CLI 已安装（clb --version 可运行）
2. 聊天记录文件已准备好（具体格式以所安装版本的帮助为准，下面是原分享包的格式示例）
3. LLM 已配置（可选，用于 AI Agent 功能；不配也能用统计/搜索/SQL）

安装 ChatLab CLI（如未安装）

npm install -g chatlab-cli

使用用户选择的 Node 环境安装，运行 clb --version 确认可执行文件可用。

配置 LLM（可选）

先用 clb config path 查看当前配置位置，或用 clb web --no-open 打开本地管理界面配置模型。下面是原分享包的 OpenAI 兼容模型配置示例；具体字段和存储位置以当前版本为准，不直接覆盖已有配置：

{
  "configs": [{
    "id": "deepseek-main",
    "provider": "openai",
    "model": "deepseek-chat",
    "apiKey": "你的DeepSeek API Key",
    "baseUrl": "https://api.deepseek.com/v1"
  }],
  "defaultAssistant": { "configId": "deepseek-main", "modelId": "deepseek-chat" }
}

支持的 provider: openai（用于兼容接口；各提供方的字段和能力需分别核验）。按提供方的官方配置填写 baseUrl 和 model，再用用户批准的最小问题验证。

支持的导入格式

微信导出来源示例：原分享包使用 WeFlow。只使用用户有权处理的已有导出文件，工具和格式兼容性以各自当前官方文档为准。本仓库不分发导出客户端。

执行流程

Step 1: 导入数据

clb import <文件路径> [--format <格式ID>] [--session-id <自定义ID>]

• 不指定 --format 时自动检测格式
• 不指定 --session-id 时自动生成
• 成功后返回 Session ID，后续所有命令都需要它

验证导入成功：

clb sessions list --format json          # 列出所有会话
clb stats overview --session <session-id> --format json # 查看统计总览

Step 2: 统计总览

clb stats overview --session <session-id> --format json

输出：

• 会话名称、平台、类型
• 总消息数、成员数
• 时间范围
• Top 10 活跃成员排行

Step 3: 成员分析

clb members list --session <session-id> --format json

输出所有成员及其消息数量。

Step 4: 关键词搜索

clb messages search <关键词> --session <session-id> --format json

返回匹配的消息列表（含时间戳、发送者、内容）。

建议多维度搜索：

• 人名/昵称 — 看某人说了什么
• 技术词（AI/RAG/MCP）— 追踪技术讨论
• 情绪词（哈哈/好的/感谢）— 判断氛围
• 链接/文件 — 追踪资源分享

Step 5: SQL 自由查询

clb sql "<SQL语句>" --session <session-id> [--format agent|json|text]

查询前先核对实际表结构：运行 clb schema --session <session-id> --format json。以下是原资料中的表与 SQL 示例，按当前结构适配；只执行读取查询，不修改聊天库。

数据库表结构示例:

常用 SQL 模板:

-- 每小时消息量分布
SELECT strftime('%H', datetime(ts, 'unixepoch')) AS hour, COUNT(*) AS cnt
FROM message GROUP BY hour ORDER BY hour;

-- 发言排行 TOP 10
SELECT sender_account_name, COUNT(*) AS msg_count
FROM message GROUP BY sender_id, sender_account_name
ORDER BY msg_count DESC LIMIT 10;

-- 每人每天发言量热力图基础
SELECT sender_account_name,
       date(datetime(ts, 'unixepoch')) AS day,
       COUNT(*) AS cnt
FROM message GROUP BY sender_account_name, day
ORDER BY day, cnt DESC;

-- 最长消息 TOP 10
SELECT sender_account_name, length(content) AS len, substr(content, 1, 50) AS preview
FROM message WHERE content IS NOT NULL
ORDER BY len DESC LIMIT 10;

-- 回复关系（谁回复谁最多）
SELECT m1.sender_account_name AS replier,
       m2.sender_account_name AS target,
       COUNT(*) AS reply_count
FROM message m1 JOIN message m2 ON m1.reply_to_message_id = m2.platform_message_id
GROUP BY replier, target ORDER BY reply_count DESC LIMIT 15;

-- 消息类型分布
SELECT CASE type
  WHEN 0 THEN '文本' WHEN 1 THEN '图片' WHEN 3 THEN '视频'
  WHEN 4 THEN '文件' WHEN 8 THEN '链接' WHEN 25 THEN '引用'
  ELSE CAST(type AS TEXT) END AS type_name,
  COUNT(*) AS cnt FROM message GROUP BY type ORDER BY cnt DESC;

Step 6: AI Agent 分析（需要 LLM 已配置）

# 单次提问
clb chat --session-id <session-id> -q "<问题>" [--no-stream]

# 多维度自动分析（依次执行多个问题）
clb chat --session-id <session-id> -q "这个群的核心话题是什么？列出前5个"
clb chat --session-id <session-id> -q "谁是群里最活跃的人？分析他的发言特点"
clb chat --session-id <session-id> -q "群里有哪些关键讨论？总结每个讨论的结论"
clb chat --session-id <session-id> -q "分析群的活跃时间段和作息规律"
clb chat --session-id <session-id> -q "有没有潜在的冲突或分歧？"

推荐的分析维度:

Step 7: 生成报告

将以上所有结果汇总为一份结构化 Markdown 或 HTML 报告。

报告模板结构:

# [群名] 聊天记录分析报告

## 一、概览
- 基本信息（平台/类型/时间范围/人数/消息数）
- KPI 卡片（总消息数/日均消息数/活跃率/高峰时段）

## 二、成员分析
- 活跃度排行榜
- 角色识别（群主/管理员/活跃分子/潜水者）
- 发言特征分析

## 三、内容分析
- 话题分类与热度
- 关键词云
- 高价值对话摘要
- 链接与资源清单

## 四、时间分析
- 日/周/月活跃趋势
- 24 小时热力图
- 间歇期识别

## 五、关系分析
- 互动网络（谁回复谁）
- 小圈子识别
- 桥梁节点（跨圈子连接者）

## 六、AI 洞察
- （来自 chat 命令的 AI 分析结果）

## 七、附录
- 原始数据统计
- 搜索结果详情
- SQL 查询原始输出

完整执行示例

# 1. 导入
clb import /path/to/my-group.json --format weflow

# 输出: Import succeeded! Session ID: chat_xxx_yyy

# 2. 统计
clb stats overview --session chat_xxx_yyy --format json

# 3. 搜索关键词
clb messages search "AI" --session chat_xxx_yyy --format json
clb messages search "项目" --session chat_xxx_yyy --format json

# 4. SQL 分析
clb sql "SELECT sender_account_name, COUNT(*) FROM message GROUP BY sender_id ORDER BY COUNT(*) DESC LIMIT 10" --session chat_xxx_yyy --format json

# 5. AI 分析（如果 LLM 已配置）
clb chat --session-id chat_xxx_yyy -q "分析这个群的讨论重点和人物关系"

注意事项

1. 首次导入会触发中文分词器初始化（jieba），看到 [NLP] jieba dict missing 提示是正常的，会 fallback 到内置分词器
2. 大文件（100万+条消息）建议用 JSONL 格式，内存占用更稳定
3. AI Agent 需要 API Key 和网络连通性，纯统计分析不需要
4. 外部模型会收到所选上下文，调用前明确用户允许发送的范围；本地处理和外部模型调用分别说明
5. 实际数据与配置位置使用 clb config path 和当前官方文档核对，不依赖原分享包的固定目录
6. 如果 LLM 超时，检查 baseUrl 是否可达、API Key 是否有效

微信导出流程的历史示例

以下是原分享时的客户端操作快照，不作为当前版本的安装或兼容性承诺。使用用户已有且合法取得的导出文件即可从 Step 1 开始。

1. 安装 WeFlow（下载 exe，双击运行）
   → 要求：微信版本 ≥ 4.0

2. 打开 WeFlow，连接微信数据库
   → 注意：首次获取解密密钥需要先退出微信登录，再回 WeFlow 点获取，最后重新扫码登录

3. 选择要分析的群聊

4. 导出为 ChatLab 格式 (.json)
   → 设置 → 导出 → 格式选 "ChatLab 专属格式"

5. 用本 skill 的 Step 1-7 进行分析