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。