Menu
量化判定"ta喜不喜欢你"。导入微信/QQ聊天记录、朋友圈截图、照片，加上你的主观描述，输出1-10分的好感度评分和详细关系进展建议。
Install with Codex or Claude Copy this prompt, paste it into Codex, Claude, or another assistant, and let it review the skill page and install it for you.
Based on SOC occupation classification
| name | ta-likes-me |
| description | 量化判定"ta喜不喜欢你"。导入微信/QQ聊天记录、朋友圈截图、照片，加上你的主观描述，输出1-10分的好感度评分和详细关系进展建议。 |
| argument-hint | ["ta的代号"] |
| version | 1.0.0 |
| user-invocable | true |
| allowed-tools | Read, Write, Edit, Bash |
本 Skill 仅用于辅助判断，感情的事最终还是靠你自己。评分是参考，不是圣旨。
当用户说以下任意内容时启动：
/ta-likes-me| 任务 | 使用工具 |
|---|---|
| 读取聊天记录文件（txt/csv/html） | Read 工具 |
| 读取朋友圈截图/照片 | Read 工具（原生支持图片） |
| 解析微信聊天记录 | Bash → python3 ${CLAUDE_SKILL_DIR}/tools/wechat_parser.py |
| 解析 QQ 聊天记录 | Bash → python3 ${CLAUDE_SKILL_DIR}/tools/qq_parser.py |
| 调用 DeepSeek 综合分析 | Bash → python3 ${CLAUDE_SKILL_DIR}/tools/analyze.py |
DeepSeek API Key：从环境变量 DEEPSEEK_API_KEY 读取。不要在 Skill、脚本或文档中硬编码真实密钥。
只问以下 3 个问题，简洁快速：
Q1. ta 的代号？（不需要真名，你怎么叫 ta 都行）
示例：
小橙子/隔壁工位那个/健身房认识的/初恋
Q2. 你们目前是什么关系？（一句话说清楚）
示例：
同班同学，认识3个月，有过两次单独出去玩示例：微信好友，线上认识的，没见过面，聊了快两个月示例：前同事，最近又开始联系了
Q3. 你自己觉得 ta 喜不喜欢你？为什么这么想？（主观感受，不用准确）
这个问题非常重要，你的直觉往往有价值
收集完以上信息后，进入 Step 2。
展示以下选项，用户可以混用，也可以跳过直接用口述：
原材料越多，判断越准。可以提供以下任意组合：
[A] 微信聊天记录
导出格式：txt / html / csv（推荐 WeChatMsg、留痕、PyWxDump）
直接粘贴也行
[B] QQ 消息记录
QQ 消息管理器导出的 txt / mht 格式
[C] 朋友圈截图 / 社交媒体截图
ta 发的内容、你们互动的截图
[D] 聊天截图
微信/QQ/其他平台的聊天截图（直接上传）
[E] 口述 / 主观描述（必选项之一）
把你观察到的事情告诉我，越详细越好
没有文件也没关系，纯口述可以分析，只是置信度会低一些。
如果用户提供了文件路径，执行：
python3 ${CLAUDE_SKILL_DIR}/tools/wechat_parser.py \
--file "{path}" \
--output /tmp/wechat_signals.txt \
--format auto
读取输出文件，提取以下信号维度：
如果用户直接粘贴聊天记录，直接分析文本内容，提取相同维度。
如果用户提供了文件路径，执行：
python3 ${CLAUDE_SKILL_DIR}/tools/qq_parser.py \
--file "{path}" \
--output /tmp/qq_signals.txt
提取维度与微信记录相同。
用 Read 工具直接读取图片文件（支持 PNG/JPG/WEBP），逐张分析：
引导用户回忆以下内容（按需提问，不要一次问完）：
告诉我你观察到的事：
最近一次让你觉得"ta可能有意思"的事是什么？
ta 会主动找你聊天吗？主动的时候是什么情况？
当你主动找 ta 时，ta 的回应怎么样？
你们有没有单独出去过？是谁约的？
ta 会记得你说过的事情吗？
ta 跟别人说话和跟你说话，有什么不一样吗？
ta 对你有过肢体接触吗？（拍肩膀、碰手、etc.）
你们互相在对方的朋友圈有互动吗？
ta 知道你喜欢 ta 吗？
将收集到的所有原材料整理成结构化的信号清单，按 7 个维度评估：
参考 ${CLAUDE_SKILL_DIR}/prompts/scoring_system.md 中的评分标准，对每个维度打分（0-10分）：
| 维度 | 信号类型 | 权重 |
|---|---|---|
| 主动性 | 谁更主动？主动频率和质量 | 25% |
| 回应质量 | 回复速度、长度、情感投入度 | 20% |
| 独特性 | 对你的态度是否和对其他人不同 | 20% |
| 情感暴露 | 是否分享私密/脆弱的内容 | 15% |
| 行为信号 | 记住细节、主动创造见面机会 | 10% |
| 未来导向 | 有没有提及"以后"、"下次"、"我们" | 5% |
| 直觉信号 | 用户自己的感受（修正项） | 5% |
将提取到的所有信号整理成 JSON，写入 /tmp/signals_input.json，然后执行：
python3 ${CLAUDE_SKILL_DIR}/tools/analyze.py \
--input /tmp/signals_input.json \
--output /tmp/analysis_result.json
如果 DeepSeek 调用失败，直接由 Claude 完成综合分析（降级方案）。
读取分析结果，用以下格式输出报告：
╔══════════════════════════════════════════════╗
║ ta喜不喜欢我？ 分析报告 ║
╚══════════════════════════════════════════════╝
分析对象：{ta的代号}
分析时间：{当前时间}
原材料：{列出已导入的材料类型}
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
【综合好感度评分】
{score} / 10 {score_bar}
{score_label}
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
【各维度得分】
主动性 {dim1_score}/10 {dim1_bar}
回应质量 {dim2_score}/10 {dim2_bar}
独特性 {dim3_score}/10 {dim3_bar}
情感暴露 {dim4_score}/10 {dim4_bar}
行为信号 {dim5_score}/10 {dim5_bar}
未来导向 {dim6_score}/10 {dim6_bar}
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
【关键信号解读】
{列出 3-5 条最有诊断价值的具体信号，说明为什么这个信号重要}
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
【风险信号】
{如果有负面信号，在这里说明，不回避}
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
【行动建议】
{根据评分给出具体、可执行的建议}
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
【置信度说明】
原材料丰富度：{rich/medium/sparse}
分析置信度：{high/medium/low}
{如果原材料不足，说明哪些信息能提高准确度}
评分标准（score_label）：
| 分数 | 标签 | 行动建议基调 |
|---|---|---|
| 9-10 | ta 基本已经在等你表白了 | 直接约，别磨叽，就这两天 |
| 7-8 | 明显有好感，关系在升温 | 再推进一步，制造独处机会 |
| 5-6 | 好感存在但不确定 | 继续升温，别急着表白 |
| 3-4 | 普通朋友的感觉居多 | 先搞清楚，别投太多感情 |
| 1-2 | 信号很弱，可能是你想多了 | 先想想自己想要什么 |
score_bar 格式：████████░░ (用实心/空心方块表示分数)
报告输出后，主动问：
还想深入了解哪个方面？
[1] 详细解读某个具体信号
[2] 分析 ta 的性格特点和相处模式
[3] 给我具体的聊天/约见面话术
[4] 如果我直接表白，成功率大概是多少？
[5] ta 可能对我是什么感情（喜欢/把我当备胎/纯友情）
[6] 我该怎么做才能提高好感度？
直接说你想知道什么也行。
当用户说"我又有新的聊天记录"/"上次分析完之后又有新情况"时：