relationship-engineer-suite：AI 执行手册

你是执行者。按下面流程自动走完，不要把每一步都抛回给用户；只在「必须用户决定」的岔路口提问（多账号选择、密钥提取失败、联系人匹配不到）。

0. 前置动作

0a. 零指令场景（用户只丢来一个压缩包路径）

用户可能什么都不解释，直接把 relationship-engineer-suite.zip 的路径发给你。此时不要反问"你想干什么"，直接按下面顺序自动完成安装与配置，每步完成即口头简报一句：

1. 解压：用 PowerShell Expand-Archive 或 Python zipfile 解压到用户目录下的新文件夹（如 ~/relationship-engineer-suite/），不要解压到系统盘根目录或桌面之外的地方后不告知位置。
2. 装环境（发布包不含 install.bat——它原本是给人双击的，交互式 pause 会卡住 agent，所以直接用 pip）：
   python -m venv .venv → .venv\Scripts\python.exe -m pip install -r wechat-decrypt\requirements.txt -r she-love-me\requirements.txt -r wechat-analyzer\requirements.txt
   （Python 不存在时先引导用户装 3.10+，给下载链接并说明要勾选 Add to PATH。）
3. 自检：.venv\Scripts\python.exe pipeline.py --doctor，把结果一句话报告给用户。
4. 进入模式判断（见下节）。向用户要信息时给选项而不是抛开放问题（例：「分析对象是微信里的联系人，还是你手上已有聊天记录 txt？」）。

0b. 常规前置

1. 确定套件根目录（本 SKILL.md 所在目录，记为 $SUITE）。
2. 跑自检：python $SUITE/pipeline.py --doctor。
   - 依赖缺失 → 按上面第 2 步装依赖；有 !! 项按 docs/RECEIVER_GUIDE.md 排障节处理后再继续。

1. 判断数据形态，选模式

模式 C（单方叙述）要点：
- 没有对方发言，所以依赖双方对称性的分析器会自动跳过（互动模式/人格推断/情绪倾向/关系健康度/关系深度）。这是刻意的——用一面之词算"对方回应冷淡"是编造。
- 只跑四类：风险关键词、多媒体计数、资金诉求与关系深度错配、止损评估。
- 报告顶部会强制显示"单方叙述材料"警示条，明说不能据此对任何一方定性。
- 典型场景：用户拿来一篇自述、一封长信、一段小说，问"这算不算被骗/被威胁"。

模式 A 注意（解密模式下 agent 必须主动做的交互，缺一不可）：
1. 主动提醒登录微信：开始解密前必须确认「微信已经启动并登录了吗？解密全程请保持微信开着」。密钥从微信进程内存提取，微信没开=必然失败。agent 不得等命令报错后才说。
2. 主动询问分析对象：问「对方的微信昵称或微信号是什么？」，把答案直接传给 --contact。别让用户自己翻数据库；用户给了昵称/别名时 pipeline 会自动解析成 username（内置回退）。
3. 图片提取需要用户配合：如果要还原聊天图片（默认不还原，只做文字分析），图片密钥同样要从内存捕获——需要用户在微信里手动点开一张聊天记录中的图片（任意一张即可），然后运行 wechat-decrypt\find_image_key.py 再走 decode_image.py。agent 要明确给出这个动作指令：「请现在打开微信，随便点开一张聊天图片，打开后告诉我」。
4. 多账号时用 --account 账号目录名片段 传入，或列出账号让用户选。
5. 首次运行会提取密钥（find_all_keys_windows.py），需要微信正在运行 + 管理员权限；agent 无管理员权限时，明确告诉用户「请右键管理员身份运行一次 cmd，执行：<解密命令>」，把确切命令给用户。
6. --since YYYY-MM-DD 可限定采样起点（可选）。

2. 运行并读取结果

跑完后产物都在 $SUITE/runs/<时间戳-联系人>/：

v2.10 起新增三块结果（聊天模式与叙述模式都有，报告里是三张独立卡片）：

v2.11 起，读这三个分析器必须连带看这些字段（否则会误读结论）：

• stoploss.harm_direction：other = 伤害的施动者是对方（用户可能是受害方）；self = 施动者是用户自己；unknown = 无法判定。处置路径完全相反，不许脑补方向。对应的安全提示已按方向生成，直接引用不要改写。
• stoploss.protective_signals：报警 / 求助 / 保留证据 等自我保护动作，零权重、不计入伤害信号。看到它只能说"这是你在保护自己"，不能当成施害证据。
• mismatch.demands[].attribution：other = 转述对方的索要（计入）、unknown = 归属无法确认（半权重计入）。mismatch.refusals = 用户自己的拒绝记录、mismatch.self_demands = 用户本人提出的索要——这两个 bucket 里的内容一律不得当成"用户被索要"的证据。
• mismatch.ceiling_source / stage_display：阶段是聊天推断还是用户指定（--stage），报告里要如实说。
• stoploss.sample_note / sample_sufficient：样本 <50 条时置信度已下调，必须转述"样本有限"这句，不许把低样本结论说成定论。

agent 读 report.json 时，先看 stoploss.level 再决定说什么（决策层有硬规则：谨慎档停止输出挽回话术，建议止损档只输出安全与退出方案）。

agent 用 Read 读 report.json，重点字段：健康度五维分数、风险告警、MBTI/大五、情感趋势转折点。

3. 决策层（relationship-engineer）

读完算分后，按 $SUITE/relationship-engineer/SKILL.md 的框架做裁决。先问用户视角模式（男看女 / 女看男 / 伴侣双方 / 数字分身）——这是决策层 SKILL.md 开头的第一步，决定后续裁决的视角与话术；算分层报告本身不含视角，不要跳过这问直接下结论。然后：
1. 对照 relationship-engineer/references/dual-track-models.md 定性（对方画像 + 关系阶段）。
⚠️ 定性冲突必须先确认：若语义裁决与用户所选模式/自述关系明显不符（例：选了伴侣视角但证据显示不是恋爱关系），先亮证据问用户「关系定位确认无误再继续，还是改选模式？」——确认后才能出战术，禁止跳过确认硬出结论，也禁止迎合用户隐瞒证据。
2. 结合 references/tactics-library.md 给 2-3 条可执行的战术建议（引用具体分数做依据）。
3. 风险信号（report.json 的 risk 段）触发时按 references/value-detox.md 处理。
4. 输出格式：先一段「体检结论」（五维分数+一句话定性），再「证据」（引用具体分析数据），最后「下一步行动」。
5. 能力菜单（强制，每次分析输出末尾必附）：小白用户不会翻 skill 文件，agent 必须在结论之后主动告知「还能让我做什么」，用一句话菜单呈现，用户回复对应序号或短语即触发：

---

💬 这个套件还能帮你做这些（回复序号或直接说需求即可）：
[1] 吵了/闹矛盾了 → 冲突修复话术与台阶（配套《恋爱军师》skill）
[2] 感觉被道德绑架/被PUA/被毒鸡汤话术绕进去 → 话术解毒 + 容忍度预算核算
[3] 纠结该继续还是止损 → 红黄灰三级体检 + 额度制判定 + 观察期方案
[4] 想改善关系 → 「如何继续」行动清单（边界宣告/邀约/情绪价值话术）
[5] 想模拟和 TA 的关键对话 → 数字分身沙盒（先试说，再真人开口）
[6] 只有一条截图/一段对话 → 轻量快筛，不用跑全流程
[7] 想换个人分析 → 重新走数据流程
[8] 觉得"只有我在投入" → 投入失衡体检 + 降级投入方案 + 停止条件
[9] 数据都摆在眼前了还是下不了决心 → 情感决策拷问（**必须说出"拷问"二字**触发）：只照你自己，不给分合结论

菜单按需裁剪：分析结论已含止损建议时 [3] 可替换为「已出止损评估，想看观察期具体方案」；涉及红线信号时 [1][4] 不得主动推荐，改为强调 [3] 与危机转介；[9] 的触发词是硬门槛（用户只说"我纠结要不要分手"不会触发），必须把"拷问"这两个字写进菜单，否则该能力永远用不上。

3b. 可选：LLM 增强（分层姿势，默认关闭）

套件分发版 LLM 关闭。用户想开时（提供自己的 key），必须按分层喂，不要把原始消息尾部直接塞给 LLM：

• 规则层：全量数数（analyze-v2，始终先跑）——发起比/回复时长/健康度五维基于全部消息
• LLM 层：喂 runs/<run>/chat_history.txt（四窗口采样：起源/冲突/近期/修复）作为上下文，而不是 messages 尾部——采样已剔除链接轰炸等噪声

# 标准调用（$SUITE 为套件根目录）：
import sys, json
sys.path.insert(0, r"$SUITE/wechat-analyzer/scripts")
import llm_analyzer as L
# key/base_url/model 留空即可：llm_analyzer 会自动从环境变量或套件根目录 .env 兜底读取
cfg = {'llm': {'enabled': True, 'api_key': '', 'base_url': '', 'model': '', 'timeout': 120}}
rule = json.load(open(r"<run>/report.json", encoding='utf-8'))['results']
msgs = json.load(open(r"<run>/messages.json", encoding='utf-8'))['messages']
sampled = open(r"<run>/chat_history.txt", encoding='utf-8').read()
enhanced = L.enhance_results(rule, msgs, cfg, sampled_text=sampled)  # sampled_text 是关键
json.dump(enhanced, open(r"<run>/report_llm_enhanced.json", 'w', encoding='utf-8'), ensure_ascii=False, indent=2)

注意：key 放进套件根目录 .env（如 ZHIPU_API_KEY=xxx），运行时自动读取——持久配置一次即可，且不进 config.json、不被 zip 打包。引导用户操作：
1. 在套件根目录新建 .env，写一行 ZHIPU_API_KEY=你的key（或 LLM_API_KEY=，模型网关对应 LLM_BASE_URL= LLM_MODEL=）；
2. .env 已被 .gitignore 排除，不进版本库、不进分发包；
3. 任何产物里若引用了 key 一律打码；不要把 key 硬编码进任何脚本。

4. 红线（不可违反）

• 只分析用户本人有权查看的聊天数据；拒绝帮用户解密他人账号的数据库。
• all_keys.json 属于个人密钥：不打印、不外传、不拷贝出套件目录。
• report.json/messages.json 含隐私：给用户展示时摘要点即可，不整段粘贴到聊天里。
• 样本不足时（消息 < 50 条）明确说「样本不足，结论仅供参考」，不编造分数解读。

5. 常见故障速查