一位开发者用20年时间积累的个人聊天记录,构建了一个前所未有的"数字人生档案馆"——这个名为"Am I a Bad Friend?"(我是个糟糕的朋友吗?)的项目,不仅展示了个人数据可视化的技术可能性,更揭示了AI时代下人际关系分析的新维度。

根据项目作者的介绍,他从2000年代初期开始,横跨Telegram、VK、Instagram、Facebook和Twitter五大社交平台,累积了超过120万条聊天记录。这些数字足迹被他导入Obsidian笔记软件,构建成一个结构化的个人知识库,并通过本地大语言模型(LLM)进行深度分析。原本的目的是"赢得朋友并影响他人",但最终收获的却是对自身社交模式的深刻洞察。
这个项目的核心方法论颇具创新性。作者并非简单地将聊天记录作为历史存档,而是将其转化为可量化的关系数据。通过本地LLM推理,他构建了四个关键分析维度:"decay curves"(衰减曲线)用于追踪与特定联系人的互动频率变化;"vocabulary shifts"(词汇迁移)捕捉对话风格的演变;"directional sentiment"(定向情感)分析情绪表达的流向;"conflict rates"(冲突率)则量化关系中的紧张程度。
最令人印象深刻的发现是"friendship half-lives"(友谊半衰期)这一概念——借用核物理中的半衰期术语,描述与特定朋友联系频率随时间衰减的规律。数据显示,大多数友谊并非突然断裂,而是像放射性物质一样,以可预测的速度逐渐衰减。这一发现挑战了人们对"失去联系"的直觉认知:它不是偶发事件,而是遵循特定数学模式的必然过程。
"endearment cycles"(亲昵周期)则是另一个有趣的发现。通过分析对话中亲密用语的使用模式,作者发现人际关系中的情感表达存在周期性波动——有时热情高涨,有时趋于平淡,这种波动与外部生活事件并无直接关联,更像是人类社交本能的固有节律。
项目的技术实现同样值得关注。作者选择Obsidian作为数据容器,这是一款以本地优先、隐私保护著称的笔记软件。结合本地LLM推理,整个分析流程完全在本地完成,无需将敏感的私人对话上传至云端。这种"隐私优先"的数据分析范式,为个人AI应用提供了一个值得借鉴的样本。
值得注意的是,作者最初的目标是"赢得朋友并影响他人",这暗示了一种工具理性的社交观:通过数据分析优化社交策略。但最终,项目揭示的却是社交关系的不可控性——友谊会自然衰减,情感会周期性波动,这些规律无法通过"优化"来消除,只能被理解和接纳。