文章摘要
作者受Tim Urban"人生周历"启发开始记录生活，但发现传统方式无法捕捉情感和人际关系。他尝试了多种日记方法，最终使用Obsidian建立笔记网络，却仍难以追踪人际互动。他反思自己并非不善交友，而是习惯性拖延维持关系。
文章总结
《我是个糟糕的朋友吗？》文章精要
作者通过量化分析自己20年来的数字社交足迹（包括ICQ、VK、Telegram等平台的48.6万条消息），探索人际关系的变化模式。全文主要包含以下核心内容：
动机溯源 - 受Tim Urban"人生周历图"启发，作者开始系统记录生活细节 - 从纸质日记演进到Obsidian数字笔记，形成包含7,000个节点的记忆网络
数据处理 1. 数据采集：利用GDPR法规获取全平台聊天记录（含俄语特殊编码处理） 2. 清洗过滤：41%的聊天内容属于无效噪音（表情/短回复/链接） 3. 实体识别：解决"哪个Sasha"的命名歧义问题（斯拉夫语系昵称变形复杂）
分析方法 - 采用LLM处理对话内容（本地部署Qwen3-30B模型） - 创新性地提出"方向性情感分析"框架： - 区分自我/对方/双向情感状态 - 绘制5,695个对话日的情感分布气泡图 - 发现12.9%的对话具有交易性特征（3月达17%）
关键发现 1. 关系演变信号： - 词汇重叠率从69.5%降至8.7% - 提问频率在淡化关系中反而上升（11%→18.5%） - 亲昵用语呈现三个阶段演变（情感词→昵称→认可性回应）
社交网络变化：
- 年自然流失约20个联系人
- 2016年城市迁移造成37人断联
- 维持的年度对话天数稳定在360天左右
行为模式：
- 旅行期间温暖对话增加3.9%
- 发消息高峰时段从午夜转向正午
- 深夜活跃期社交广度更大但深度较浅
技术实现 - 开发三维社交图谱可视化系统（基于Vision Pro） - 采用星系碰撞算法优化7,000节点渲染性能 - 建立SQLite溯源系统跟踪每个结论的数据来源
反思启示 作者发现数字记忆填补了主观记忆的空白，但承认分析结果并未根本改变其社交行为模式。最终通过数据认识到：关系的价值不在于持续时间长短，而在于那些容易被遗忘的日常互动细节——某个深夜群聊的笑话，或是朋友随口分享却成为每周必做的食谱。
（全文保留原数据可视化图表的关键结论说明，删减了具体技术实现细节和部分重复性数据展示）
评论总结
以下是评论内容的总结：
数据保存与丢失的遗憾
- 多位用户表达了对历史聊天记录丢失的遗憾（评论1、4）
- "I archived MSN messenger chats...but over the years I lost hard drives"（评论1）
- "I lost a lot of whatsapp historical chats switching phones"（评论4）
隐私与AI使用的担忧
- 部分用户对聊天记录被AI收集表示担忧（评论5、13）
- "private chats...aren't safe from being harvested by AI"（评论5）
- "Would that be a form of mental cloning?"（评论13）
社交习惯差异
- 用户展示了截然不同的社交习惯（评论9、11）
- "I write or receive a handful of texts or chats per week"（评论9）
- "0 close friends, 0 regular contacts...I had to ghost and ignore everyone"（评论11）
技术分析建议
- 有用户提出技术改进建议（评论8）
- "look into TF-IDF instead of the manual method"（评论8）
- "Wordclouds per person are also fun!"（评论8）
情感与自我认知
- 部分用户担心分析结果会影响自我认知（评论6、11）
- "I fear my opinions my faith might change"（评论6）
- "vacuous superiority has led me nowhere"（评论11）
沟通方式偏好
- 对文字沟通的有效性存在争议（评论9、10）
- "text messages impersonal...so much lost"（评论9）
- "When my closest friends moved to voice and video the text question rate dropped"（评论10）