dsh-qqreminder

QQreminder

群太多，重要的那条总是被淹掉。

一天没看手机，四百条未读里就是三条跟你有关：一条选课通知、一条提交截止、一条你被 @ 了。 剩下的全是"哈哈哈哈"和表情包。

QQreminder 就是干这个的：把"我该知道的"从"我错过的"里挑出来。

给 DeepSeek Harness 用的插件。 全程本地、只读、不登录、不联网上传。

---

它怎么工作（一张图）

QQ 本地数据库 ──▶ 建索引 ──▶ 按「你的关注词」多信号打分 ──▶ AI 精排 ──▶ 可点击的 HTML 报告
      ▲            │              │                          │
   （解密那一步    │        本地规则只负责"召回"         真正理解内容、
    不在本插件内，  │        （快、免费、能离线）          适应任何行业
    见下文方式 C）  │
                  └────────── 全程本地 · 只读 · 不登录 · 不上传 ──────────┘

一句话分工：本地脚本负责"把可疑的都捞出来"，AI 负责"到底哪条重要"。

---

它长什么样

① 一份能点进去的报告

（下面两张都是真截图，数据是插件自带的虚构示例）

• 顶部五个数字：有效消息 / 涉及群 / 重点条目 / 疑似遗漏 / 发言人数
• 🗂 关键群卡片 —— 点一张就进那个群
• 📌 最重要 N 条 —— 每条都写着「为什么重要」（命中了哪个关注词、是谁发的、权重多少）
• ⚠️ 你可能漏了 —— 分数不高、但带时效/行动词的消息（最容易被淹掉的那类）

点进某个群，只看这个群：

顶部页签、群卡片、消息分布条 —— 三个入口都能进群，怎么顺手怎么点。

💡 截图顶部那行橙色提示「数据已过去 2.4 小时」不是 bug，是故意的： 它读的是本地数据库文件的最后写入时间。QQ 没开、没登录过，它就冻在那儿 —— 插件会如实告诉你数据有多新，绝不拿旧数据当实时。

② 设置里的面板：一个开关 + 三个动作

• 「我的关注词」（上图）—— 命中任意一个都会加权。改成你自己的词，它就开始替你干活 （学生写"选课 / 保研"，上班族写"需求变更 / 报销 / 周会"）
• 「刷新索引」 —— 重新扫一遍本地数据库，几秒钟
• 「生成摘要」 —— 选时间窗 → 一句指令自动复制到剪贴板 → 粘给 AI

• 「QQ 内容读取」开关 —— 关掉就只给统计和元数据，正文一条都不出（授权开关，随时可撤）
• 「生成报告」 —— 自选日期区间（或用"近 1/3/7/30 天"快捷），出一份可离线打开的 HTML
• 顶部那行小字是数据新鲜度：数据截止时间、索引构建时间、窗口、扫描行数、读取错误数

---

功能一览

---

装上之后怎么用

三步上手

① 装插件（下面有安装命令）
② 打开 DSH → 设置 → QQreminder
③ 第一次没有数据？点【📦 加载示例数据】
   → 立刻生成一份虚构的大学群聊，看看它到底能干嘛

示例数据是虚构的（临江大学 / 刘老师 / 周老师……），人名群名对话全是编的，随便看随便截图。

然后，直接跟 AI 说人话就行

这个插件自带技能和工具，所以 AI 装上就知道它能干什么：

「翻一下群，看看今天有什么重要的」

「帮我找群里关于选课的所有信息」

「有没有我漏掉的？」

AI 会自己调 qq_search / qq_digest，不需要你记任何命令。

面板上还有两个按钮：

⚠️ 面板上写清楚了哪个按钮会改配置：只有「应用选中」才会写。 其他按钮都只是准备材料，不会偷偷动你的东西。

---

安装

# 从 GitHub 装（需要 DSH 0.2.0+）
dsh plugin add https://github.com/K9m1a5c/dsh-qqreminder

或者本地打包：

git clone https://github.com/K9m1a5c/dsh-qqreminder
cd dsh-qqreminder
npm pack
dsh plugin add dsh-qqreminder-*.tgz

依赖：只要 Python 3.8+（引擎全部用标准库，不需要 pip install 任何东西）。 插件会自动找 python3 / python / py，找不到会在面板里告诉你。

---

数据从哪来？（重要，请先读这段）

QQreminder 是分析层，它需要一个已经建好的本地索引才能工作。

方式 A：先用示例数据（推荐第一次）

点面板上的【📦 加载示例数据】，它会生成一份虚构数据放进你的数据目录。 零配置、零风险，用来试试功能、看看报告长什么样。

方式 B：接入你自己的聊天记录

本仓库不包含解密模块，也不提供任何绕过 QQ 加密的代码。 你需要自己准备好数据，然后在数据目录下建一份 SQLite 索引：

<数据目录>/                          # 默认 ~/QQreminder，可用环境变量 QQREMINDER_ROOT 改
└── qgd/
    ├── data/index.db                # 索引（表结构见下）
    ├── focus.json                   # 你的配置：监工群 / 关注词 / 打分规则
    └── authorization.json           # 授权开关：{"qq_read": true}

index.db 需要的三张表：

-- 消息（核心）
messages(msg_id INTEGER PRIMARY KEY, ts INTEGER, day TEXT, hour INTEGER,
         group_code TEXT, group_name TEXT, sender_uid TEXT, sender_qq TEXT,
         sender_name TEXT, direction TEXT, msg_type INTEGER, subtype INTEGER,
         kind TEXT, text TEXT, reply_seq INTEGER)

-- 群
groups(group_code TEXT PRIMARY KEY, group_name TEXT, weight REAL,
       msg_count INTEGER, last_ts INTEGER)

-- 元信息（至少要 cutoff_ts，报告会如实声明数据截止时间）
meta(key TEXT PRIMARY KEY, value TEXT)   -- cutoff_ts / built_at / read_errors ...

engine/load_example.py 就是照着这个结构写数据的，可以直接当参考实现看。

方式 C：用第三方工具解密 QQ 数据库（自行评估）

QQreminder 只做分析。「从 QQ 数据库提取消息」这一步不在本插件范围内 —— 本仓库不包含任何解密代码。

如果你需要那一步，社区里有专门做这件事的开源项目：

拿到解密后的数据，按上面「方式 B」的表结构整理成 index.db，本插件就能用。

⚠️ 这些工具与本项目没有任何关联。 它们涉及处理 QQ 的加密数据库， 可能包含逆向工程相关内容 —— 请自行评估合规性与风险。 本项目不为其行为负责，也不提供相关技术支持。

方式 D：直接让 AI 帮你搞定（装了插件之后）

装好插件，直接对你的 AI 说：

"我的 QQ 群消息太多了，帮我整理一下。如果我没有数据，告诉我怎么弄。"

AI 会读插件自带的说明（assets/qqreminder.md），然后带你走完：

① 告诉你去哪拿一个【已经解密的】QQ 消息数据库
      （解密不在本插件范围内，它会指路并说明风险）
② 你拿到文件之后，把路径告诉它
③ 它自己探索那个库的结构，写转换、生成 index.db
④ 然后就能出报告 / 摘要 / 话题检索了

⭐ 说明书就在插件里 —— 装上之后，AI 自己就知道该怎么做，你不用研究任何格式。

这也是本插件唯一"需要用户配合"的一步：拿到明文数据库。 除此之外全程由 AI 完成。

配置：focus.json

{
  "监工群": [ { "群号": "…", "群名": "…", "权重": 2.0 } ],
  "关注词": { "截止": 6, "报名": 5, "选课": 6 },     // 命中即加权
  "降权词": { "抽奖": -3, "优惠": -3 },
  "身份词": ["老师", "班助", "学长"],                // 名片里带这些 = 可信来源
  "通知词": { "强": ["通知", "全体成员", "务必"], "弱": ["提醒", "安排"] },
  "遗漏提示词": { "时效": ["截止", "之前"], "行动": ["报名", "提交"] },
  "打分": { "遗漏区间": [2, 6], "过期天数": 2 }
}

「关注词」是你可以随便改的地方 —— 学生写"选课/保研"，上班族写"需求变更/报销/周会"， 改成你自己的词，它就开始替你干活。

---

它凭什么挑得准？

打分是多信号加权，不是数关键词：

外加一层**「你可能漏了」：分数中等（2~6）但含时效 / 行动 / 疑问词的消息 —— 这类最容易被"群消息太多"淹没，超过 2 天还会标已过期**。

一个设计上的取舍

本地规则永远追不上行业差异 —— 学生关心「选课」，上班族关心「报销」，本地词表写不完。

所以这里分两层：

本地脚本 = 召回（快、免费、离线可用，负责把可疑的都捞出来）
AI       = 精排（真正理解内容，适应任何行业）

面板上的【✨ 用 AI 分析】就是这个思路：本地只做客观统计和抽样， 把材料交给 AI，由它判断"哪些群值得盯、该关注什么词"。

---

诚实边界（这些它做不到）

• ⚠️ 看不到 QQ 没同步下来的消息。它读的是本地数据库文件，不是连着 QQ。 QQ 关着 → 文件冻在最后关闭那一刻；很久没登录 → 中间那几天根本没有。
• ⚠️ 不会自动知道"还有新消息"。它只报告文件里有什么，以及数据截止到几点。
• ⚠️ 不登录、不碰协议端、不连腾讯服务器。只有你本机的文件读取。
• ⚠️ 只读。一个字节都不会改你的 QQ 数据目录。
• ⚠️ Windows 优先（开发和测试都在 Windows）。核心逻辑是跨平台的， 但"用系统浏览器打开报告"这类便利功能目前是 Windows 实现。

隐私：所有分析都在本机完成。唯一会"出去"的，是你在对话里主动交给 AI 的内容 （比如点【用 AI 分析】后把材料发出去）—— 这一步由你决定。

---

授权开关

面板上有一个 「QQ 内容读取」 开关，对应 authorization.json 里的 qq_read：

• 打开：可以读群消息正文，生成摘要和报告
• 关闭：只能输出统计和元数据（群名、消息量、时间跨度）， 后端接口直接返回 403，任何正文都不会出现在输出里

这是给你（而不是给程序）的控制权：随时可撤销。

---

常见问题（FAQ）

Q：需要登录 QQ 吗？ A：不需要。它读的是本机数据库文件，不登录、不碰协议、不连腾讯服务器。

Q：会把我的聊天记录上传吗？ A：不会。所有分析在本机完成。唯一"出去"的是你主动粘给 AI 的材料（比如点了【用 AI 分析】）。

Q：手机 QQ / 微信 / TIM 能用吗？ A：目前不能，只支持本机 PC 版 QQ 的数据库。

Q：索引多久更新一次？ A：手动。点面板【刷新索引】，或让 AI 跑一次；它不会背着你在后台扫描。

Q：没装 Python 会怎样？ A：面板会明确告诉你"没找到 Python"，并列出它找过的命令（python3 / python / py）。 装一个 3.8+ 即可，不需要 pip install 任何东西。

Q：为什么报告顶部写着"数据已过去 2.4 小时"？ A：那是故意的。数据有多新就说多新，不拿旧数据冒充实时。

---

🗺 Roadmap

想做的、待讨论的都会开成 Issue 挂在那边 —— 有想法欢迎去留言：

• 除了 QQ，还该支持哪些消息源？—— 欢迎去 Issue 里讨论 (#1)

还有别的想法？直接开 Issue 就行。

---

项目结构

dsh-qqreminder/
├── lib/
│   ├── index.js              # 宿主侧：12 个 HTTP 端点 + 自带技能 + 2 个 AI 工具
│   └── client.js             # 面板：设置页里的「QQreminder」
├── assets/qqreminder.md      # 自带技能（AI 的操作手册）
├── engine/                   # ★ 分析引擎（纯 Python 标准库）
│   ├── score.py              # 多信号打分 → 摘要 + 遗漏提醒
│   ├── make_report.py        # 可点击的 HTML 报告
│   ├── search_topic.py       # 话题检索（带上下文）
│   ├── pack_material.py      # 给 AI 备料（客观统计 + 抽样）
│   ├── autoconfig.py         # 冷启动分析（纯本地版）
│   ├── load_example.py       # 生成示例数据
│   └── demo-student.json     # 虚构示例数据
└── docs/                     # 截图

引擎随插件走（在 engine/ 里），数据在你自己的目录里 —— 两者彻底分开，所以你可以随时把数据目录指向别处，甚至放多份不同数据。

---

环境变量

---

🤝 贡献

• 有想法 / 发现 bug → 直接开 Issue， 模板不用讲究，说清"你想要什么 / 发生了什么"就行
• 改代码 → Fork → 建分支 → 改 → 提 PR（一个 PR 只做一件事）
• 只想加两个关注词 → 不用改代码，改你自己的 focus.json 就行
• 引擎是纯标准库 Python，改动前跑一下 python engine/load_example.py 就能自测

---

License

MIT

一点说明

示例数据里的人物、学校、群聊内容全部是虚构的，与任何真实个人或组织无关。 截图用的就是这份示例数据。

如果你要分享自己的报告截图，记得先看一眼里面有没有别人的真名 —— 群里说话的是活人，他们的名字不该因为你分享工具而出现在互联网上。