先说边界

朋友把一份 DeepSeek 对话导出文件交给我,希望知道自己一段时间以来都在关注什么、什么时候最活跃。我没有把原始文件上传到任何第三方服务,也没有把它放进博客仓库;分析只在本地完成。

下面的案例只保留经过概括后的观察,不出现姓名、学校、城市、团队、项目名称、联系方式,也不公布原始对话和可回溯到个人的截图。数字也做了取整或区间化处理。它不是对朋友的“人格判定”,只是一次小样本的使用行为观察。

“算法更懂你”,但先别把记录交出去

百度曾经有一句广告词:“算法更懂你”。这句话今天听起来既诱人,又值得警惕:算法也许能从行为中找到模式,但“懂你”并不等于有权替你保存、解释或传播全部上下文。

而且,选择离线并不只是隐私姿态。聊天记录通常很长,把完整历史交给 agent 或云端模型会产生真实的上下文处理成本:输入 token 越多,调用费用越高,等待时间越长,超长记录还可能被截断。对小时分布、月份趋势和词频这类统计,逐字阅读并没有必要。把能用本地脚本完成的工作留在本机,既少一次数据外流,也少一笔不必要的模型调用。

所以 DSME 的定位不是“另一个更懂你的模型”,而是一把透明的小铲子:它只做可解释的计数、分词和时间聚合,让使用者自己决定哪些模式值得继续追问。

为什么不用“把文件交给一个模型”

这类任务看起来很适合让模型直接总结,但原始对话里往往混有:

  • 姓名、手机号、邮箱和链接;
  • 课程、申请、就医等私人内容;
  • 对话标题、录音转写中的说话人标签;
  • 能够和公开信息拼接起来的地点、组织或项目细节。

如果只是为了统计小时分布、月份趋势和词频,没有必要让这些内容离开本机。因此我把流程拆成了一个很朴素的本地脚本:读取导出 JSON,抽取消息,做基础脱敏,然后输出汇总 JSON、Markdown 报告和可选词云。

工具做了什么

工具名为 DSME(DeepSeek Self-Mining Engine),独立仓库地址预留为 xzzlwl/dsme,使用 MIT License。它的目标不是做一个完整的数据产品,而是提供一个可读、可修改、能在本地复现的小工具。

pip install -r requirements.txt
python analyze.py /path/to/conversations.json -o insights_output

默认只分析用户请求;如果想把助手回复也纳入词频,可以显式添加 --include-assistant。还可以用 --stopwords 传入自定义停用词,把姓名、学校、项目名或罕见地点加入排除列表。

这里有一个重要的设计取舍:脚本不会把对话原文写入输出,邮箱、手机号和 URL 会做基础过滤。但这不等于“自动匿名化完成”。人名、组织名、标题和罕见地名仍然需要使用者自己检查,发布前也不能盲信生成的词云。

一位朋友的匿名样本

这份记录覆盖了几个月,包含数百条用户请求。主题分类并非机器学习意义上的严格分类,而是根据关键词进行探索性归纳。结果显示,她的 AI 使用主要集中在三类事情上:

  1. 专业学习与行业问题:金融、农业经营、风险、信贷和保险等词反复出现;
  2. 实践项目与竞赛:调研提纲、商业计划、指标设计、总结材料和答辩文案;
  3. 编程与课程作业:从基础语法、数组到数据结构和调试思路。

这三个方向并不是互不相关的标签。更像是一条连续的工作链:先接触真实产业问题,再尝试用金融或数据方法解释它,最后把结果整理成项目、竞赛或课程交付物。

词云最有趣的地方,不是“哪个词最大”,而是它把这种交叉领域直观地呈现出来:专业名词、项目动作词和编程词同时出现。对一个正在处理多项学业任务的人来说,AI 更像是阅读、整理、改写和调试的工作台,而不是单纯的问答工具。

活跃时段:晚上是高峰

按消息时间统计后,活跃度集中在晚间,夜里仍保留一部分使用。工作日明显比周末多,某个暑期月份出现阶段性峰值,随后随着开学和任务切换回落。

这只能说明“什么时候打开过工具”,不能直接推出睡眠质量、学习效率或健康状况。尤其是移动端、跨时区导出、批量粘贴和一次长对话,都会让消息次数偏离真实投入时间。因此我没有把它包装成精确的作息诊断,只把它当作一个值得自我检查的信号:如果连续多周在深夜处理高强度任务,也许应该重新安排任务批次和休息。

这个小项目暴露的三个问题

1. 导出格式不是稳定 API

最初以为每条消息都有统一的 role、content 和时间字段,实际导出数据使用了对话树:节点可能没有消息,正文藏在 message.fragments[].content,角色则在 fragment 的 type 中。解析器必须先探测 schema,再写兼容逻辑。

2. 词频不等于兴趣强度

一个词出现得多,可能只是因为它来自一段很长的录音转写;一个真正重要的主题,也可能只在少数关键对话中出现。词云适合发现线索,不适合承担结论。更可靠的做法是结合对话标题、时间分布和人工抽样,但人工抽样也必须在本地完成。

3. 脱敏是发布流程,不是一个正则表达式

正则可以过滤手机号和邮箱,却很难判断“某个项目名+某个地点+某个时间”是否足以重新识别一个人。所以工具只做基础过滤,并在输出中明确提醒:发布前检查高频词、文件名、时间范围、图表和 Markdown 内容。

如果你也想分析自己的记录

建议采用下面的顺序:

  1. 复制一份导出文件,在副本上操作;
  2. 断网或至少确认工具没有网络请求;
  3. 先只生成汇总,不生成包含原文的中间文件;
  4. 用自定义停用词排除姓名、组织、地点和项目名;
  5. 打开 summary.json、report.md 和词云逐项检查;
  6. 不要把原始 JSON、用户资料文件和带有元数据的截图提交到仓库。

我把这个工具开源,主要是因为这类分析不应该被某个云端服务垄断:数据属于使用者,统计方法也应该让使用者看得懂、改得动。它很小,也不完美,但足够作为一个隐私友好、成本可控的起点。

感谢朋友授权我以匿名、概括的方式记录这次实验。本文不构成对她本人生活或性格的判断。