微信聊天记录里隐藏着你和每个人关系的完整轨迹：
- 第一条消息是哪天发的
- 哪段时期聊得最密集
- 凌晨还在聊天的都是什么人
- 最常说的词是什么
- ...
这些数据一直都在，只是没有一个地方能让你好好看清楚，而 WeLink 就是为这件事而做的。
好友分析
- 消息总量排行，一眼看出谁是你真正常联系的人
- 第一条消息时间，回顾一段关系的起点
- 24 小时活跃分布，发现你们的聊天习惯
- 聊天日历热力图，哪段时间最密集一目了然
- 词云分析，看看你们之间出现最多的词是什么
- 深夜消息统计、红包次数、发起对话比例等社交特征
- 共同群聊数：联系人列表直接显示与该联系人的共同群聊数量，详情页可查看完整群聊列表并跳转
群聊分析
- 群内发言排行
- 群活跃时间分布
- 群内高频词
全局统计
- 总消息量、活跃好友数、零互动好友数
- 月度消息趋势
- 消息类型分布（文字 / 图片 / 语音 / 视频 / 表情）
- 深夜聊天排行榜
时间范围筛选
- 支持选择近 1 个月 / 3 个月 / 6 个月 / 1 年 / 全部数据进行分析
- 支持自定义任意起止日期，精确分析某段时期的聊天数据
WeLink 内置了一个 MCP（Model Context Protocol） 服务器，让你在 Claude Code（CLI） 里直接用中文提问来分析微信数据——无需打开浏览器，无需手动查找。
几个例子：
「我今年和哪个朋友聊得最多？」
「帮我分析一下我和 XXX 的关系深度，我们经常聊什么话题？」
「我哪个群最活跃？群里谁发言最多？」
「我凌晨还在聊天的都是什么人？」
AI 会自动调用 WeLink 后端，把分析结果直接呈现在对话里。
完整配置说明（注册 MCP Server + Skills 配置）见 mcp-server/README.md。
首次使用向导，一步步完成数据库解密、目录配置与分析时间范围选择。
总好友数、总消息量、活跃好友、零消息好友一览，关系热度分布（活跃 / 温热 / 冷淡），月度趋势柱状图与 24 小时活跃曲线。
按消息总数排序，支持搜索与分页，活跃状态标签快速识别关系冷热，共同群聊数一列呈现与每位联系人的群圈交集。
点击任意联系人进入详情面板：收发消息各自占比、深夜消息统计、主动发起对话率、红包次数、24 小时 & 每周活跃分布，以及可点击的聊天日历——点击任意一天即可查看当天完整对话记录。
基于关键词逐条打分，按月聚合，呈现长达数年的情感趋势折线图，直观反映积极 / 消极 / 中性消息的历史变化。
群聊列表按消息数排序，显示起始与最近活跃时间，点击群聊查看成员发言排行、词云、活跃日历，同样支持点击日历查看当天群聊记录。
WeLink 在本地跑 Docker Compose，资源消耗取决于聊天数据量。以下是建议：
| 数据规模 | 消息量 | 推荐内存 | 首次索引时间 |
|---|---|---|---|
| 轻量 | < 50 万条 | 2 GB | < 30 秒 |
| 中等 | 50–200 万条 | 4 GB | 1–3 分钟 |
| 重度 | 200 万条以上 | 8 GB+ | 3–10 分钟 |
- CPU：双核即可，多核对并发群聊分析有提升
- 磁盘：
decrypted/目录本身通常在 1–5 GB，建议预留 10 GB 空余 - 时间范围：首次使用建议先选「近 6 个月」体验，确认无误后再切换到「全部数据」
如果首次索引时间过长，可在欢迎页选择「自定义范围」缩短分析区间，或减少消息数据库文件数量。
没有微信数据库？可以用内置的示例数据快速预览页面效果：
cd welink
docker compose -f docker-compose.demo.yml up访问 localhost:3000 即可看到预置了 12 个好友、3 个群聊和数千条模拟消息的完整界面。
Demo 模式下后端会在容器内自动生成仿真数据库，无需挂载任何本地目录。所有数据均为随机生成，不涉及真实聊天记录。
目前仅支持 macOS，Windows / Linux 支持敬请期待。
第一步：把手机聊天记录同步到电脑（推荐）
手机微信 → 「我」→「设置」→「通用」→「聊天记录迁移与备份」→「迁移到电脑」，这样能获得最完整的历史数据。
第二步：解密数据库
确保 Mac 上的微信处于运行状态，然后使用 wechat-decrypt 提取并解密数据库：
git clone https://github.com/ylytdeng/wechat-decrypt
cd wechat-decrypt
sudo python3 main.py
# 选择 decrypt 模式解密完成后会生成 decrypted/ 目录，将其中内容放到以下结构：
decrypted/
├── contact/
│ └── contact.db
└── message/
├── message_0.db
├── message_1.db
└── ...
第三步：放置解密后的数据库
将上一步生成的 decrypted/ 目录放在与 welink/ 仓库同级的位置，目录结构如下：
~/（或任意父目录）
├── welink/ ← 本仓库
│ ├── backend/
│ ├── frontend/
│ ├── docker-compose.yml
│ └── ...
└── decrypted/ ← 解密后的数据，放在这里
├── contact/
│ └── contact.db
└── message/
├── message_0.db
├── message_1.db
└── ...
wechat-decrypt 生成的
decrypted/目录内部已是上述结构，直接移动过来即可，无需手动调整。
第四步：启动 WeLink
确认 decrypted/ 与 welink/ 同级后，执行：
cd welink
docker compose up首次启动会自动拉取 GitHub CI 构建好的镜像，无需本地编译。如需强制本地构建，加上 --build 参数。
访问 localhost:3000 开始分析。
WeLink 支持通过 config.yaml 进行自定义配置。对于大多数用户，无需任何配置，直接 docker compose up 即可运行。
如需自定义，在项目根目录编辑 config.yaml（Docker Compose 会自动挂载）：
server:
port: "8080" # HTTP 监听端口
data:
dir: "/app/data" # 微信数据目录（Docker 内路径，通常不需要修改）
analysis:
timezone: "Asia/Shanghai" # 统计时区（IANA 时区名）
late_night_start_hour: 0 # 深夜区间开始（含），默认 0 点
late_night_end_hour: 5 # 深夜区间结束（不含），默认 5 点
session_gap_seconds: 21600 # 新对话段判定间隔，默认 6 小时
worker_count: 4 # 并发分析 goroutine 数，建议不超过 CPU 核心数
late_night_min_messages: 100 # 进入深夜排行所需最少消息数
late_night_top_n: 20 # 深夜排行保留前 N 名
# 启动后自动开始索引的时间范围（Unix 秒，0 表示不限）
# 设置后无需前端手动点击「开始分析」
# 示例（只分析 2023 年）：
# default_init_from: 1672531200
# default_init_to: 1704067199
default_init_from: 0
default_init_to: 0配置优先级：config.yaml > 环境变量（DATA_DIR / PORT）> 默认值。
| 层次 | 技术 |
|---|---|
| 后端 | Go + Gin |
| 前端 | React 18 + TypeScript + Tailwind CSS |
| 数据库 | SQLite（modernc，纯 Go，无 CGO） |
| 中文分词 | go-ego/gse |
| 部署 | Docker Compose |
启动后访问 localhost:3000/swagger/ 查看完整接口文档。
更多技术细节（数据库结构、索引流程、情感分析算法等）见 docs/。
所有数据仅在本地处理，不会上传至任何服务器。请仅分析自己的聊天记录。
这个项目能够实现，首先要感谢 ylytdeng/wechat-decrypt 项目。
微信数据库使用 SQLCipher 加密，密钥存在运行中的微信进程内存里。wechat-decrypt 实现了从进程内存中扫描并提取密钥的完整方案，支持 macOS / Windows / Linux，让我们第一次真正触碰到了属于自己的聊天记录。没有这个项目，WeLink 无从谈起。
本项目采用 GNU Affero General Public License v3.0 (AGPL-3.0) 协议。