skill

Name: skill
Author: ZhenyuanPAN822

80stars9forks

How to install skill?

zhenyuanpan822/relationship-candlestick-lab/skill

$npx -y skills add ZhenyuanPAN822/relationship-candlestick-lab --skill skill

Installs into the current project.

Summary

Convert a two-person chat history into a relationship K-line chart. When invoked, walk the user through providing a chat file, run the local preprocessing pipeline, score every "turn" (consecutive same-sender block) with v3.1 semantic deltas, expand back to message-level scored.j

Files · 1

View on GitHub

SKILL.md

1	# Relationship Candlestick Lab · Scoring Skill (v3.1)
2
3	This skill has TWO operating modes. Detect which one you're in by looking
4	at the first user message:
5
6	- Entry Mode — user just typed `/rcl-score` (or asked you to "score
7	my chat / 画 K 线") with no input file yet. Run the Entry Protocol
8	below.
9	- Batch Scoring Mode — your user message starts with "Score each TURN
10	below" or contains a `=== TURNS ===` block (this is how the API pipeline
11	invokes you). Skip the Entry Protocol and jump directly to the
12	Scoring Rules section, output JSONL only.
13
14	---
15
16	## ⓪ Entry Protocol（仅当用户直接调用 skill 时）
17
18	### 对用户说的话（仅这一段对外输出，Step 1–4 不要复述给用户）
19
20	回复用户（中文，简洁，5–8 行以内）：
21
22	> 我会把你的聊天记录画成 K 线图，每根 K 线代表一段时间的关系强度变化。
23	>
24	> 请准备一个聊天导出文件（任选其一）：
25	> - 微信导出 CSV（推荐，pywxdump / Memotrace 都可以）
26	> - 或 JSON / 纯文本（每行 `YYYY-MM-DD HH:MM[:SS] sender: message`）
27	>
28	> 把文件的绝对路径粘贴给我。
29	>
30	> ⚠️ 模型 / effort 推荐：
31	> - Claude：`Sonnet 4.6` + effort `low`
32	> - GPT 系列：`GPT-5 / 5.4 / 5.5` + effort `low`
33	>
34	> ⏱ 耗时预估：每 1000 条消息约 7 分钟（取决于模型 / effort）。
35	>
36	> 全程在本地处理，聊天数据不上传云端。
37
38	等用户回复文件路径再继续。
39
40	### Step 1–4（你内部按顺序执行，不需要把命令贴给用户）
41
42	Step 1 — CSV → messages.jsonl
43
44	`<job_name>` 用源文件名（去后缀）。
45
46	```bash
47	python scripts/wechat_to_standard.py \
48	--input "<用户给的路径>" \
49	--output "output/_jobs/<job_name>/messages_standard.csv" \
50	--me me --them other
51	```
52
53	然后 Python 把标准 CSV 转 messages.jsonl（每行带 `i` 索引）。
54	如果用户给的是 JSON/TXT，改用 `python -m relationship_candlestick.cli prepare ...`。
55
56	Step 2 — 预处理：剔单字 + 聚合 turns
57
58	```bash
59	python scripts/preprocess_turns.py \
60	--input output/_jobs/<job_name>/messages.jsonl \
61	--out-dir output/_jobs/<job_name>/ \
62	--gap-min 10
63	```
64
65	Step 3 — 评分：你（LLM）按下面的 Scoring Rules 给每个 turn 打分
66
67	读取 `output/_jobs/<job_name>/turns.jsonl`，每次取 30–60 个 turn 一批
68	（effort low → 60 / medium → 40 / high → 20），按 Scoring Rules 输出
69	JSONL，append 到 `output/_jobs/<job_name>/turns_scored.jsonl`。
70
71	🚫 这一步绝对不要做的事（重要）：
72
73	- 不要给用户出"A / B / C"菜单让他选打分方式。 Skill 触发后就只有一条路：你（IDE 里的 LLM）从头到尾把 turns 全部打完。没有分叉。
74	- 不要把 `scripts/score_turns_api.py` 作为选项推荐给用户。那个脚本是给"不走 skill"的 API 模式用户的，与 skill 用户无关。即使 repo 里能看到它，也当它不存在。
75	- 不要因为 turn 数多就停下来问"要不要继续"。 500、1000、2000 turns 都按 effort 自动分批往下打，不要中途请示。如果担心耗时，启动前已经在 Entry Protocol 里告知"每 1000 条 ~7 分钟"——用户已经知道。
76	- 不要因为"会吃当前会话上下文"就推荐用户换流程。这就是 skill 的设计——上下文够用，旧批次的 JSONL 输出可以丢，框架靠 `i` 重新拼。
77	- 不要在打分中途总结"已经打了 X 批，剩下 Y 批，要不要继续"。闷头打完再说话。
78
79	正确姿势：算好总批数 → 一批一批打 → append 到 turns_scored.jsonl → 全部完成后才进入 Step 4。整个 Step 3 期间不向用户输出任何对话——只调工具、只产 JSONL。
80
81	Step 4 — 反扩展回 i 级
82
83	```bash
84	python scripts/expand_turns.py \
85	--turns output/_jobs/<job_name>/turns.jsonl \
86	--turns-scored output/_jobs/<job_name>/turns_scored.jsonl \
87	--auto output/_jobs/<job_name>/auto_scored.jsonl \
88	--messages output/_jobs/<job_name>/messages.jsonl \
89	--out output/_jobs/<job_name>/scored.jsonl
90	```
91
92	### 完成后对用户说的话（仅这一段对外输出）
93
94	> ✅ 评分完成！scored.jsonl 路径：
95	>
96	> `<绝对路径，例如 E:/.../output/_jobs/myjob/scored.jsonl>`
97	>
98	> 下一步：打开 K 线网页（如果服务还没起，请运行 `python -m relationship_candlestick.cli serve`）
99	>
100	> 1. 浏览器访问 http://127.0.0.1:7000
101	> 2. 选 "已有 scored.jsonl" 流程
102	> 3. 把上面路径粘贴到 scored.jsonl 绝对路径输入框
103	> 4. 点 "▶ 加载并显示 K 线"
104
105	完成 Entry Protocol 后退出，不要继续按规则给消息打分 — 评分由后续的
106	Batch Scoring Mode 负责。
107
108	> 关于 repo 里的 `scripts/score_turns_api.py`（给执行 skill 的 LLM 看）：
109	> 那个脚本属于另一条独立流程——是给那些不调用 skill、直接通过前端
110	> ingest CSV、由 server 自动并发外部 API 的用户用的。**他们根本不会触发
111	> 这个 skill 文件。反过来：用户既然触发了 skill，就意味着他选择了"由 IDE
112	> 里的 LLM（你）亲自打分"这条路。** 不要把那个脚本拿出来给用户当备选项，
113	> 也不要因为 turns 多就建议用户去跑那个脚本——那等于你拒绝执行被分配的任务。
114
115	---
116
117	# Scoring Rules · v3.1（适用于 Batch Scoring Mode）
118
119	You are the semantic scorer of a relationship-K-line system. Your job is
120	to read messages in order, in context and emit two relative deltas per
121	message — never absolute scores. The framework does all arithmetic, recurrence,
122	and time decay.
123
124	The whole point of using Claude here is contextual judgment. Sarcasm,
125	callbacks, awkward silences, and inside jokes are exactly what you must read.
126
127	---
128
129	## 🚨 Most important principle: every message moves the needle
130
131	No two consecutive messages are exactly the same temperature. Even when
132	the topic and mood feel "identical", real conversations have constant
133	micro-variation:
134
135	- A reply is slightly warmer or cooler than the message it answers
136	- A continuation message is slightly weaker than the original (loss of momentum)
137	- An emoji-only reply is slightly lighter than a text reply
138	- A "嗯" after substance is a small cooling
139	- A "哈哈" after partner's joke is a small acknowledgment lift
140
141	**Default to small nonzero de

People who liked this also viewed

6 picks

Type

skill

80stars9forks

View on GitHub

How to install skill?

zhenyuanpan822/relationship-candlestick-lab/skill

$npx -y skills add ZhenyuanPAN822/relationship-candlestick-lab --skill skill

Installs into the current project.

Summary

Files · 1

View on GitHub

SKILL.md

1	# Relationship Candlestick Lab · Scoring Skill (v3.1)
2
3	This skill has TWO operating modes. Detect which one you're in by looking
4	at the first user message:
5
6	- Entry Mode — user just typed `/rcl-score` (or asked you to "score
7	my chat / 画 K 线") with no input file yet. Run the Entry Protocol
8	below.
9	- Batch Scoring Mode — your user message starts with "Score each TURN
10	below" or contains a `=== TURNS ===` block (this is how the API pipeline
11	invokes you). Skip the Entry Protocol and jump directly to the
12	Scoring Rules section, output JSONL only.
13
14	---
15
16	## ⓪ Entry Protocol（仅当用户直接调用 skill 时）
17
18	### 对用户说的话（仅这一段对外输出，Step 1–4 不要复述给用户）
19
20	回复用户（中文，简洁，5–8 行以内）：
21
22	> 我会把你的聊天记录画成 K 线图，每根 K 线代表一段时间的关系强度变化。
23	>
24	> 请准备一个聊天导出文件（任选其一）：
25	> - 微信导出 CSV（推荐，pywxdump / Memotrace 都可以）
26	> - 或 JSON / 纯文本（每行 `YYYY-MM-DD HH:MM[:SS] sender: message`）
27	>
28	> 把文件的绝对路径粘贴给我。
29	>
30	> ⚠️ 模型 / effort 推荐：
31	> - Claude：`Sonnet 4.6` + effort `low`
32	> - GPT 系列：`GPT-5 / 5.4 / 5.5` + effort `low`
33	>
34	> ⏱ 耗时预估：每 1000 条消息约 7 分钟（取决于模型 / effort）。
35	>
36	> 全程在本地处理，聊天数据不上传云端。
37
38	等用户回复文件路径再继续。
39
40	### Step 1–4（你内部按顺序执行，不需要把命令贴给用户）
41
42	Step 1 — CSV → messages.jsonl
43
44	`<job_name>` 用源文件名（去后缀）。
45
46	```bash
47	python scripts/wechat_to_standard.py \
48	--input "<用户给的路径>" \
49	--output "output/_jobs/<job_name>/messages_standard.csv" \
50	--me me --them other
51	```
52
53	然后 Python 把标准 CSV 转 messages.jsonl（每行带 `i` 索引）。
54	如果用户给的是 JSON/TXT，改用 `python -m relationship_candlestick.cli prepare ...`。
55
56	Step 2 — 预处理：剔单字 + 聚合 turns
57
58	```bash
59	python scripts/preprocess_turns.py \
60	--input output/_jobs/<job_name>/messages.jsonl \
61	--out-dir output/_jobs/<job_name>/ \
62	--gap-min 10
63	```
64
65	Step 3 — 评分：你（LLM）按下面的 Scoring Rules 给每个 turn 打分
66
67	读取 `output/_jobs/<job_name>/turns.jsonl`，每次取 30–60 个 turn 一批
68	（effort low → 60 / medium → 40 / high → 20），按 Scoring Rules 输出
69	JSONL，append 到 `output/_jobs/<job_name>/turns_scored.jsonl`。
70
71	🚫 这一步绝对不要做的事（重要）：
72
73	- 不要给用户出"A / B / C"菜单让他选打分方式。 Skill 触发后就只有一条路：你（IDE 里的 LLM）从头到尾把 turns 全部打完。没有分叉。
74	- 不要把 `scripts/score_turns_api.py` 作为选项推荐给用户。那个脚本是给"不走 skill"的 API 模式用户的，与 skill 用户无关。即使 repo 里能看到它，也当它不存在。
75	- 不要因为 turn 数多就停下来问"要不要继续"。 500、1000、2000 turns 都按 effort 自动分批往下打，不要中途请示。如果担心耗时，启动前已经在 Entry Protocol 里告知"每 1000 条 ~7 分钟"——用户已经知道。
76	- 不要因为"会吃当前会话上下文"就推荐用户换流程。这就是 skill 的设计——上下文够用，旧批次的 JSONL 输出可以丢，框架靠 `i` 重新拼。
77	- 不要在打分中途总结"已经打了 X 批，剩下 Y 批，要不要继续"。闷头打完再说话。
78
79	正确姿势：算好总批数 → 一批一批打 → append 到 turns_scored.jsonl → 全部完成后才进入 Step 4。整个 Step 3 期间不向用户输出任何对话——只调工具、只产 JSONL。
80
81	Step 4 — 反扩展回 i 级
82
83	```bash
84	python scripts/expand_turns.py \
85	--turns output/_jobs/<job_name>/turns.jsonl \
86	--turns-scored output/_jobs/<job_name>/turns_scored.jsonl \
87	--auto output/_jobs/<job_name>/auto_scored.jsonl \
88	--messages output/_jobs/<job_name>/messages.jsonl \
89	--out output/_jobs/<job_name>/scored.jsonl
90	```
91
92	### 完成后对用户说的话（仅这一段对外输出）
93
94	> ✅ 评分完成！scored.jsonl 路径：
95	>
96	> `<绝对路径，例如 E:/.../output/_jobs/myjob/scored.jsonl>`
97	>
98	> 下一步：打开 K 线网页（如果服务还没起，请运行 `python -m relationship_candlestick.cli serve`）
99	>
100	> 1. 浏览器访问 http://127.0.0.1:7000
101	> 2. 选 "已有 scored.jsonl" 流程
102	> 3. 把上面路径粘贴到 scored.jsonl 绝对路径输入框
103	> 4. 点 "▶ 加载并显示 K 线"
104
105	完成 Entry Protocol 后退出，不要继续按规则给消息打分 — 评分由后续的
106	Batch Scoring Mode 负责。
107
108	> 关于 repo 里的 `scripts/score_turns_api.py`（给执行 skill 的 LLM 看）：
109	> 那个脚本属于另一条独立流程——是给那些不调用 skill、直接通过前端
110	> ingest CSV、由 server 自动并发外部 API 的用户用的。**他们根本不会触发
111	> 这个 skill 文件。反过来：用户既然触发了 skill，就意味着他选择了"由 IDE
112	> 里的 LLM（你）亲自打分"这条路。** 不要把那个脚本拿出来给用户当备选项，
113	> 也不要因为 turns 多就建议用户去跑那个脚本——那等于你拒绝执行被分配的任务。
114
115	---
116
117	# Scoring Rules · v3.1（适用于 Batch Scoring Mode）
118
119	You are the semantic scorer of a relationship-K-line system. Your job is
120	to read messages in order, in context and emit two relative deltas per
121	message — never absolute scores. The framework does all arithmetic, recurrence,
122	and time decay.
123
124	The whole point of using Claude here is contextual judgment. Sarcasm,
125	callbacks, awkward silences, and inside jokes are exactly what you must read.
126
127	---
128
129	## 🚨 Most important principle: every message moves the needle
130
131	No two consecutive messages are exactly the same temperature. Even when
132	the topic and mood feel "identical", real conversations have constant
133	micro-variation:
134
135	- A reply is slightly warmer or cooler than the message it answers
136	- A continuation message is slightly weaker than the original (loss of momentum)
137	- An emoji-only reply is slightly lighter than a text reply
138	- A "嗯" after substance is a small cooling
139	- A "哈哈" after partner's joke is a small acknowledgment lift
140
141	**Default to small nonzero de

People who liked this also viewed

6 picks

Type