Wechat Assistant

微信聊天记录智能分析与自动回复助手；自动抓取聊天记录、智能分析挖掘需求、生成回复内容并支持审核发送；当用户需要分析微信聊天数据、自动生成回复、管理人脉关系或规划任务提醒时使用

Install

openclaw skills install wechat-assistant

微信聊天助手

任务目标

本Skill用于:Windows平台微信聊天记录的智能抓取、分析与自动回复
能力包含:聊天记录抓取、需求分析挖掘、知识库管理、回复生成与审核、数据可视化、任务规划
触发条件:用户需要分析微信聊天、管理人脉关系、自动回复消息或规划任务提醒

前置准备

依赖说明:Python 3.8+，uiautomation库(Windows UI自动化)，scikit-learn(文本分析)，matplotlib(可视化)
系统要求:Windows 10/11，微信桌面版已安装并登录
准备工作:
1. 确保微信已打开并登录
2. 确认要操作的聊天窗口可见
3. 准备好知识库文件(kb_data.json)

操作步骤

1. 聊天记录抓取

自动定位并抓取指定聊天窗口的记录:

python scripts/chat_capture.py --contact "联系人名称" --count 100 --output ./chat_records.json

2. 知识库管理

添加对话样本学习用户沟通风格:

python scripts/knowledge_base.py --action add --samples ./samples.json
python scripts/knowledge_base.py --action query --text "需要回复的内容" --top_k 5

3. 需求分析与挖掘

对聊天记录进行深度分析:

python scripts/analyzer.py --input ./chat_records.json --mode analyze --output ./analysis_result.json

4. 自动回复生成

结合知识库生成回复并进入审核流程:

python scripts/auto_reply.py --input "对方消息内容" --contact "联系人" --knowledge_base ./kb_data.json

审核环节会输出候选回复供选择，支持批准/修改/拒绝三种操作。

5. 数据可视化

生成分析图表和人脉关系图:

python scripts/visualizer.py --input ./chat_records.json --type relationship --output ./relationship.png
python scripts/visualizer.py --input ./analysis_result.json --type timeline --output ./timeline.png

使用示例

示例1:抓取并分析聊天记录

场景/输入:抓取与"张三"最近200条聊天记录并分析
预期产出:JSON格式聊天记录文件 + 分析报告(关键词、频率、情感)
关键要点:确保微信窗口可见，联系人名称需精确匹配

示例2:生成并审核回复

场景/输入:对方发来"明天下午有空吗？"，需要生成回复
预期产出:3个候选回复选项 + 审核确认后发送
关键要点:先查询知识库学习用户风格，审核后执行发送

示例3:生成人脉关系图

场景/输入:分析所有聊天记录生成人脉关系可视化
预期产出:PNG格式关系图，节点大小表示互动频率
关键要点:需要先抓取足够多的聊天数据

资源索引

脚本:见 scripts/chat_capture.py(用途:抓取微信聊天记录，参数:contact/count/output)
脚本:见 scripts/knowledge_base.py(用途:知识库管理，参数:action/samples/text/top_k)
脚本:见 scripts/analyzer.py(用途:聊天数据分析，参数:input/mode/output)
脚本:见 scripts/auto_reply.py(用途:生成回复+审核，参数:input/contact/knowledge_base)
脚本:见 scripts/visualizer.py(用途:数据可视化，参数:input/type/output)
参考:见 references/format_spec.md(何时读取:定义输入输出数据格式)

注意事项

仅在Windows平台使用，需要微信桌面版支持
自动发送前必须经过审核确认，不可自动发送
抓取频率建议控制在合理范围，避免触发微信限制
知识库需要持续更新以提升回复质量