做 QQ 群生意，引流其实不算什么，真正磨人的是后面那步——给账号估价。你得把好几个月甚至跨年的聊天记录从头翻到尾，拿 Excel 一行行记谁发了多少次、什么时段活跃、在群里是什么地位。有人全程潜水，有人天天带节奏，还有人平时不吭声，一开口就“刀到要害”。搞完一天眼睛都快瞎了，最怕的还是漏掉那种隐形大佬，白白亏一笔。
这种活其实不需要人肉数数。直接调用 Ollama 本地拉取并运行 Gemma-3:12b-it-qat 这类轻量大模型，配合一个简单的 Prompt 框架，让它一次性读完导出的群聊 HTML 或 JSON，按发言频次、互动强度、话题深度三个维度打分就行。下面这段 Python 脚本就是最常见的“采集-解析-评分”骨架，用 Pandas 做数据预处理，再通过 requests 把整理好的特征丢给模型推理接口：
import pandas as pd, requests, json
df = pd.read_json("group_msgs.json")
payload = {"model":"gemma-3:12b-it-qat","messages":[{"role":"user","content":"请根据以下对话记录，输出每位成员的活跃度 0-100 分，并给出理由\n"+df.to_json(orient="records")}]}
r = requests.post("http://localhost:11434/api/chat",data=json.dumps(payload),headers={"Content-Type":"application/json"})
print(r.json()["message"]["content"])你会发现模型不仅数得比人快，还能把“水但有用”的消息识别出来——例如深夜有人发了条“懂的都懂”，后面跟了十几条回复，这位潜水员的权重就会被悄悄调高。这一步做完，已经把传统手工评估甩出两条街了。
让模型读懂几千条废话，Prompt 得这么拆
聊到这就得面对最实际的环节——怎么让模型真正理解你那些几千条废话连篇的群聊。别指望直接把原始文本扔进对话窗口，上下文长度再大也架不住表情包、@全体成员和“有人吗”的重复攻击。
我试过几种导出格式。QQ 自带的“导出聊天记录”能给一份 .html，但这东西结构松散，消息时间戳混在标签属性里，读起来折磨。后来换成写了个脚本来爬手机本地数据库，或者用群管工具直接拉 JSON——每条消息拆成 {sender, time, content, reply_to} 四个字段，干净很多。
Prompt 设计才是真坑。一开始我让它“分析活跃度”，模型给我回了七个“该成员发言较多”，毫无区分度。后来把任务拆成了三步：先让模型按时间窗口（早 8-11、晚 20-24、凌晨 0-5）统计发言密度，再要求它识别“被回复次数”和“话题扩散”信号——比如某个人发了条消息，后面半小时内有 5 个不同 ID 跟帖，权重就该加。最后我给了一个评分尺度：
请根据以下 JSON 格式的聊天记录，按三个维度对每位成员打分（0-10）：
1. 发言频率：每条消息计 1 分，凌晨时段消息加权 *1.5
2. 互动影响：消息被直接回复的次数 + 由此引发的新话题数量
3. 角色倾向：是否经常作为“问题发起者”或“答疑终结者”，是则 +2
成员ID | 频率得分 | 互动得分 | 角色得分 | 总分
记录样本：[{"sender":"小明","time":"2025-03-12 23:45","content":"有没有人试过这个配置？","reply_to":""}, ...]跑完第一批数据后，我发现有个 ID 叫“守夜人”的，白天零发言，凌晨 2-4 点刷了四十多条，每条回复都有 3-8 个跟帖。手动翻我肯定忽略这种夜猫子，但模型直接给他打到了 27 分（满分 30）。这种“不是高频，但每次都能点燃讨论”的角色，卖号时反而是溢价点——买号的人要的就是群里有这种能带话题的号。
别想着一次 Prompt 就完美。我调了四版，第一版漏掉了纯表情回复（有些群靠表情包交流，模型默认跳过），第二版把“引用之前的消息”算作了重复发言。加了一条指令：“若消息内容仅包含图片/表情，标记为‘图像消息’，仍计入频率但互动权重减半。”
最后个坑：模型会幻觉成员名。如果群昵称带特殊符号，比如 [vip]阿强 或 阿强(已退群)，它可能自己编个“阿强”或“VIP阿强”。我在预处理阶段用正则把方括号、括号内后缀全洗掉，统一保留纯昵称部分，再传给模型。
这一套走下来，你手里就有了每个成员的活跃度画像：高频话痨、深夜刺客、话题引爆器、还有那种“一个月说三句但句句值钱”的隐形人。下一步，这些分数就能直接塞进报价公式了。
让 Agent 跑起来，但 token 不是自来水
有了前面那套“画像”做底，这一步我用一个轻量 Agent 把群里每个人挨个过一遍，让它不断调用大模型 API，给每个成员打出一份“活跃度评分”。
原始 JSON 一屏屏刷过去，最容易漏的是“同名不同人”和“同人不同名”。我在进入评分前先做一轮清洗：用正则把昵称里的 [vip]、(已退群) 这类装饰干掉，再把“引用转发”展开成可读文本；随后按 sender_id 聚合，生成 members.json，字段至少包含：唯一 ID、纯化昵称、入群时间、最近 N 天发言数。这样 Agent 每次只拿一个人的消息上下文，丢给模型时不会串台。
我不想写成重型流水线，于是把流程拆成两个小循环：外层遍历 members.json，内层把该成员近 7 天的消息切成三段（早 8-11、晚 20-24、凌晨 0-5），分别统计密度。Agent 的核心就是一段“稳定提示词 + 结构化输出约束”，每次都返回同一格式，后面才好合并。为了不把 token 当水喝，我把“图像/表情”统一压缩成占位符，只在计数时保留“有一条多媒体”这个事实，内容本身不放上下文。
def run_chat_evaluate(uid, messages):
# messages: 该成员近期消息，已经过滤掉系统通知
prompt = """你是一个群聊分析师。请根据以下消息，为发送者计算三个维度得分（0-10）：
1) 发言频率：每条计 1；凌晨(0-5) *1.5；仅图片/表情仍计 1。
2) 互动影响：被直接回复次数；以及"话题扩散"次数（其发言后 30 分钟内，≥3 个不同 ID 跟帖）。
3) 角色倾向：是否常提问(+2)或常答疑(+2)；最多各 +2。
输出严格 JSON：
{"uid":"xxx","nickname":"xxx","freq":0,"interact":0,"role":0,"total":0,"evidence":["..."]}"""
resp = openai.ChatCompletion.create(model="gpt-4", messages=[{"role":"user","content":prompt}], response_format={"type":"json_object"})
return resp.choices[0].message.content外层循环我加了并发限制，控制在每秒 3-5 个请求，顺便把“失败重试”做成指数退避。遇到模型胡编的 nickname，就回滚到清洗后的 members[uid]["clean_name"]，再写入结果。
最终总分不是简单相加，而是做了一个“场景加权”：白天高频=基础流量，晚间高密度=核心场，凌晨还能点燃讨论=稀缺。我把加权写死在汇总脚本里，而不是指望模型自己把握：
- 发言频率：w1=1.0；若凌晨占比>=30%，额外乘以 1.3
- 互动影响：被回复数 *0.6 + 话题扩散次数 *1.2
- 角色倾向：提问者+1.5，答疑者+2.0（二者取高）
打完分，Agent 顺手吐出“证据摘要”：例如“昨晚 23:30 发起配置问题，后续 7 人跟进，形成 3 轮次讨论；凌晨 2-4 共 42 条，其中 9 条被引用回复”。这份摘要将来直接贴进报价单，买主一眼就能看懂“为什么他贵”。等这一车跑完，Excel 不再塞满“备注”，而是只剩两张表：高活跃名单，及其对应的可解释得分。
定价不能靠猜，得让每分钱都有来路
评分跑完了，证据摘要也吐了，接下来就是最敏感的部分——到底值多少钱。
起初我试过让大模型直接给一口价，结果它要么往高了瞎报（“此用户群内声望极高，建议定价2000元”），要么缩手缩脚给个50。关键是，你问它“为什么是这个数”，它回你一通车轱辘话。
这不行。定价必须拆成因子，每个因子都有来源，最终数字能倒推。
我把公式写死在 Python 脚本里，不交给模型瞎编：
def price_estimate(user):
base = 50 # 基础价，只要是活人
# 注册时长：每满一个月 +2，上限40
age_value = min(user["months_since_register"] * 2, 40)
# 群聊等级：群主/管理员 +30，元老(入群超1年) +15，普通0
role_value = {"owner": 30, "admin": 25, "elder": 15, "member": 0}[user["group_role"]]
# 活跃度总分(0-30) 映射为价格：每分折3元
activity_value = user["activity_score"] * 3
# 历史交易记录：如果有过成功交易+20，无记录0
trade_value = 20 if user["trade_history"] else 0
# 最终定价 = base + age_value + role_value + activity_value + trade_value
return base + age_value + role_value + activity_value + trade_value每个因子的上限我都做了硬约束。比如注册时长最多折40元，因为老号不等于好号——我见过注册5年但期间0发言的僵尸。群主/管理员有额外溢价，但前提是近期确有管理行为（踢人、改群公告、发起群待办），否则只算元老不加权。
公式跑完，得到的是一个冷冰冰的数字——470。买家问“凭什么”，你不能丢给他一行代码。这时候大模型出场，但角色变了：不再是定价员，而是翻译官。
Prompt 长这样：
你是一个QQ账号评估报告撰写助手。给定以下结构化数据，
请生成一段200字以内的"定价理由"，要求：
1. 用自然语言描述每个因子的贡献
2. 提及具体证据（来自评分阶段的"证据摘要"）
3. 语气中性客观，不要吹嘘
输入：
{
"uid": "12345",
"nickname": "风间",
"base_price": 470,
"factors": {
"注册时长": {"value": 24, "detail": "入群24个月"},
"群聊角色": {"value": 25, "detail": "管理员，近30天执行过4次禁言"},
"活跃度评分": {"value": 27, "detail": "日均47条，凌晨占比34%"},
"历史交易": {"value": 20, "detail": "有1次出号记录，成交价300"}
},
"evidences": ["凌晨2点发起技术讨论，7人跟进", "被@次数日均3.2次"]
}
纯文本，第一句写总价，后面逐条解释。实测输出效果：
风间账号建议定价470元。其中：注册时长2年贡献24元，群管理员身份（近月有管理动作）加25元，
活跃度评分27分（日均47条且凌晨活跃）折合27元，历史交易记录加20元。
特别说明：该成员常在凌晨引发技术讨论（证据：7人跟进），被@频率是群均值6倍，属于核心话题发起者。这份理由直接粘贴进报价单的“备注”栏。买主看到的是“管理员身份+凌晨活跃+历史交易”，每一项都能对到群聊记录里的具体行为，而不是一个黑盒数字。
最后我写了个简单的模板，用 Jinja2 渲染，把上面生成的内容拼成一张表。表头是：昵称、UID、总价、定价因子拆解、定价理由。每行最后加一个“证据快照”按钮，点击后展开该成员最近7天的消息数折线图（用 Chart.js 在本地画，数据来自评分阶段存下的 daily_count）。
这套流程跑下来，从采集消息到出报价单，全程大概8分钟。最烦的反而不是模型，而是那个“注册时长”怎么算——QQ群没有公开的入群时间戳，我最后取的是该成员在群文件里最早的一条消息时间作为近似。不精确，但够用。
生成完报价单我盯着屏幕看了半分钟，心想这东西要是落在灰产手里还真挺吓人。算了，工具本身没善恶，看谁在用吧。
做到后面才发现，最掉链子的往往是“看起来不重要”的那几处。
聊天里真QQ号、手机号、订单截图一飘，模型很容易顺手就学进去了。我的做法是前置一层脱敏：在采集器里做一次正则替换，把 11 位 QQ 号、8 到 11 位手机号、常见邮箱格式统一换成 UID_ANONYM，昵称里的姓氏也打码。别把原始 json 直接喂给 LLM，改完再进 pipeline，省得模型把真实信息复述回输出。
几万条消息一股脑塞进去，成本飙升还容易丢焦点。我用固定时间窗切分：每 2,000 行一段，相邻段重叠 10%，再用 ollama pull 拉一个 8B 的小模型先做本地摘要，最后才交给主模型做意图与角色识别。上下文不够时，把“群画像”做成 RAG：把群规、常讨论话题、黑话词表塞进向量库，检索后当背景附在 prompt 前面，比硬塞整份聊天记录稳。
有人一天甩 300 个表情包纯属气氛组，也有人凌晨一句“需求评审能改吗”硬是把七个人拽起来干活。我把特征拆了三层：数量看发言密度，质量盯被@次数、线程跟进数、还有禁言和撤回的比例，权限就看管理员、群管助理、文件上传这些角色。只有三层都拿高分，才算得上“可卖”的核心号。倒是碰上过一个潜水员，平常见不着人，结果手里攥着稀有群头衔和老版本勋章——这种号溢价反倒厉害。
流程跑通了，别忘了给每一步留个“证据快照”——报价单要是没根没据的，回头客户一问就露馅。工具再顺手，细节上也得多盯两眼，别翻车。
评论