Menú
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。
Instalar con Codex o Claude Copia este prompt, pégalo en Codex, Claude u otro asistente, y deja que revise la página de la skill y la instale por ti.
Basado en la clasificación ocupacional SOC
| 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：