lake-skill 0.12.0

Evidence-based intimate relationship chat analysis. Every claim has an evidence ID. Privacy-first.

LakeSkill 湖镜

"我之前一直问 AI 'TA 到底喜不喜欢我'，它每次都给一个很肯定的答案，但我越看越焦虑。用了 LakeSkill 才发现，原来它应该先告诉我'证据不够'。"

别让 AI 猜 TA 爱不爱你。先把双方真正说过的话找全，再判断下一步怎么做。

English | 安装指南 | 快速开始 | 聊天记录准备 | FAQ

粘贴一段聊天记录，LakeSkill 会：

30 秒看懂

LakeSkill 0.12 把分析链路固定为：

原始聊天 → 全量候选 → Skill 语义决策 → 正式台账 → 统一分析 JSON → Markdown / 本地 HTML

pip install lake-skill
lake-skill demo --out examples/social_demo
lake-skill start

Demo 会生成四套纯合成案例：条件性接受、明确拒绝后继续日常聊天、双方定义不一致、分手后重新讨论。

为什么和普通恋爱分析不同

维度	LakeSkill	常见恋爱分析 Skill
关系讨论全量扫描	是	常依赖采样或 prompt
候选与结论分离	是	通常没有
明确边界优先	是	可能被重新解释
证据 ID / 反证	强制	不稳定
导入与视觉报告	持续完善	部分项目更成熟

LakeSkill 不输出“被爱指数”“舔狗指数”或爱情总分。回复时间、消息比例和长度只作为 T4 描述背景；关系定义、拒绝、条件和边界始终优先。

隐私边界

• 本地预处理：原始聊天在本地整理。

• 脱敏后上传分析：只有脱敏产物进入云端模型。

• 本地模型全程处理：只有这种模式可以称“全程本地”。

• 告诉你证据支持什么，不支持什么——不靠猜

• 给你一张行动卡：本周该做什么、不要做什么、可以怎么说

• 每条判断标上证据 ID 和置信度，如果证据不够会降级，不硬撑结论

⚠️ LakeSkill 不扮演 TA，不替你确认 TA 的真实内心，不制造情绪依赖，不提供操控策略。

先看效果

场景一：粘贴一段聊天

输入：

使用 lake-skill，帮我分析这段聊天记录。我的目标是知道下一步怎么做。

[2026-06-01 22:13] 我: 最近感觉你有点少回我，我是不是哪里做错了？
[2026-06-01 22:18] TA: 没有，就是这几天事情比较多。
[2026-06-02 09:10] TA: 昨天那个资料你还有吗？

打开报告，你第一眼看到的是行动卡——该做什么、不要做什么、证据在哪：

## 先看这个：湖镜行动卡（关系行动卡）

### 当前策略
低压稳定。

为什么是这个策略：
对方在情绪确认问题上没有展开，但也没有切断日常互动；第二天仍主动发起求助。
证据：E-20260601-001, E-20260602-001
置信度：低到中。样本太短，只能判断这个局部场景。

### 本周 3 个动作
1. 先恢复日常节奏，不连续追问"是不是我错了"。
2. 对方求助时正常回应，帮完不追加情绪索取。
3. 如果要表达感受，用一句低压说明，不要求对方立刻表态。

### 不要做
- 不要用"你为什么不回应我"开场。
- 不要把一次短回复直接解释成"不在乎"。
- 不要用分析结果教育对方。

### 可直接发送
"这两天我有点敏感，刚刚那句不是想给你压力。资料我发你，忙完再说就好。"

场景二：继续追问

用户: TA 这句话什么意思？

这句话的字面意思是求助，但结合前一条"事情比较多"，它可能是在用实际需求确认你是否还在。
证据：E-20260602-001
置信度：低。替代解释：可能只是真的需要资料，没有更深含义。

场景三：证据不够时

用户: TA 到底喜不喜欢我？

当前数据不足以判断关系性质。你提供的 3 条消息中没有表白、拒绝或关系定义信号。
建议补充：更多日常互动、冲突场景、对方主动发起的对话。

想截图发小红书、抖音录屏或做教程？一键生成公开安全的合成素材：

lake-skill demo --out examples/social_demo

安装

npx skills add HZYO-0/lake-skill -y

或让 AI 助手帮你装：

请帮我在 GitHub 上找到 LakeSkill 湖镜，并安装到本地。
仓库地址：https://github.com/HZYO-0/lake-skill.git

从微信导出聊天记录？用 WeChatDataAnalysis（GitHub 1.4k stars）解密你自己的微信数据库，导出后导入 LakeSkill。仅用于解密你本人的数据，不要解密他人的聊天记录。

更多安装方式（Codex、Claude Code、手动、ChatGPT GPT）见 INSTALL.md。

怎么用

直接粘贴

安装好 Skill 后，把聊天记录粘给 agent：

使用 lake-skill，帮我分析这段聊天记录。先给行动卡。

告诉 agent 文件位置

如果聊天记录已经导出为文件（CSV、TXT、SQLite），告诉 agent 文件路径：

使用 lake-skill，分析这个文件里的聊天记录：D:\聊天记录\chat.csv。先给行动卡。

本地预处理后上传

隐私敏感时，先用 CLI 脱敏再上传：

lake-skill redact --file chat.jsonl --out chat.redacted.jsonl --privacy-mode cloud-safe

然后告诉 agent 读取脱敏后的文件。

不确定？先装好，粘一段聊天试一次。5 分钟就知道适不适合。

功能特性

数据源

来源	格式	备注
微信聊天记录	WeChatDataAnalysis 导出（TXT/JSON/SQLite）	推荐，信息最丰富
通用聊天记录	CSV / TXT / JSONL	多数导出工具默认格式
语音转文字	SRT / VTT	带时间戳的语音识别结果
OCR 提取	JSONL / CSV	截图识别后的文本
直接粘贴	纯文本	最快的测试方式

分析能力

能力	说明
湖镜行动卡	第一屏回答"我现在该怎么做"，有证据支撑
证据报告	9 层结构：行动卡 → 局势 → 时间线 → 双方画像 → 互动模式 → 依恋信号 → 沟通建议 → 不确定性
教练模式	继续追问，给多种语气的话术
数据体检	doctor 三档：只能局部观察 / 可出行动卡 / 可出完整报告
增量更新	新聊天记录自动 merge 进已有分析
对话纠正	说"TA 不会这样说"，立即更新

隐私机制

• 本地脱敏：lake-skill redact 去除姓名、电话、地址
• 泄露检查：lake-skill check-leaks 扫描残留隐私信息
• 打包上传：lake-skill bundle 只打包脱敏后的产物
• 公开展示：lake-skill demo 生成合成数据，不用真实聊天

适合什么场景

暧昧推进、关系修复、冷淡复盘、边界沟通、消息草稿、增量更新——都用同一套证据框架。

不做：医疗诊断、操控策略、关系预测、数据库解密。

为什么可信

1. 先看证据，再下结论：每条判断必须有证据 ID，没有就是猜。
2. 不确定就降级：证据不够时只给低风险观察，不硬撑完整判断。
3. 每条结论有反证：不只给你一个答案，还告诉你什么情况下可能是错的。

如果证据不足，LakeSkill 会明确说"当前数据不足以判断"，而不是用模糊措辞掩盖。

为什么叫湖镜

湖像镜子。关系证据先被照出来，而不是被情绪放大。

西湖、断桥、诗歌里，湖承载靠近、等待、错过和重逢。

向外找答案之前，先向内找回自己的安稳。

项目结构

skills/lake-skill/        可安装的 Skill 包
  SKILL.md                Skill 指令
  prompts/                分析和教练 prompt 模块
  references/frameworks/  证据、依恋、沟通、安全框架
  assets/kb_template/     增量知识库模板
cli/lake_skill/           可选本地预处理 CLI
docs/                     用户、安装和平台兼容文档
examples/                 合成示例输入和期望输出结构
tests/                    CLI、解析器、安全和审计测试

License

MIT License. See LICENSE.