整体架构

一张图看懂 WeLink 的组成和数据流向。

总览

                       ┌──────────────────────────────────────────┐
                       │             终端用户 (浏览器 / App)        │
                       └────────────────┬─────────────────────────┘
                                        │ HTTP / SSE
                                        ▼
          ┌───────────────────────────────────────────────────────┐
          │                      前端 (React)                     │
          │   Dashboard · AI 对话 · 设置 · 数据库 · 记忆库 · 播客   │
          └────────────────┬──────────────────────────────────────┘
                           │ REST + SSE
                           ▼
          ┌───────────────────────────────────────────────────────┐
          │              后端 (Go + Gin, 单 binary)               │
          │                                                       │
          │  ┌─────────┐  ┌────────┐  ┌──────┐  ┌──────┐  ┌────┐ │
          │  │ 统计分析 │  │ AI/LLM │  │ RAG  │  │ 记忆 │  │ TTS│ │
          │  │  服务   │  │ 多 provider│ FTS+向量│  提炼 │  代理│ │
          │  └─────────┘  └────┬───┘  └──┬───┘  └──────┘  └────┘ │
          │                    │         │                        │
          │              ┌─────▼─────────▼────┐                   │
          │              │   DB 管理器 (纯 Go) │                   │
          │              └─────┬─────────┬────┘                   │
          └────────────────────┼─────────┼────────────────────────┘
                               │         │
                      ┌────────▼───┐   ┌─▼──────────────┐
                      │ 解密后的    │   │ ai_analysis.db │
                      │ 微信 DB     │   │ AI 对话/记忆/  │
                      │ (contact/   │   │ 向量索引/播客   │
                      │  message)   │   │ 历史           │
                      └─────────────┘   └────────────────┘
                               ▲
                               │ 本地解密（不出机器）
                               │
                      ┌────────┴─────────────┐
                      │ wechat-decrypt       │
                      │ (从微信进程内存取 key) │
                      └──────────────────────┘

  外部可选集成（全部用户自备凭证）
  ─────────────────────────────────────────────────────────────────
  LLM:   OpenAI / Anthropic / Gemini / DeepSeek / Kimi / Ollama / Vertex / Bedrock
  导出:  Markdown / Notion / 飞书 / WebDAV / S3 / Dropbox / Google Drive / OneDrive
  MCP:   Claude Code / Claude Desktop / Cline / Continue / Windsurf / Zed / ... (独立 Go binary)
  TTS:   OpenAI / Azure / Edge-TTS (播客功能)

分层职责

前端 (`frontend/`)

React 18 + TypeScript + Tailwind。全局状态在 App.tsx；组件按功能分目录（dashboard / contact / groups / memory / search / calendar / anniversary / timeline / skills）。URL hash 路由支持浏览器前进后退。

后端 (`backend/`)

一个 Go module，单 binary 编译。文件扁平排列但逻辑分层明确：

层	关键文件	职责
HTTP 路由	`main.go`	所有 `/api/*` 端点注册；分 `api`（公开）和 `prot`（需服务就绪）两组
服务层	`service/contact_service.go`	启动时扫一次微信 DB，计算 `ContactStats` / `GlobalStats` 缓存到内存；按需查询走单联系人深度分析
仓储层	`repository/message_repository.go`	对 `DBManager` 的薄封装，提供消息查询原语
DB 管理	`pkg/db/manager.go`	`DBManager` 持有 `ContactDB` + N 个 `MessageDBs` + `ExtraDBs`（如 `ai_analysis.db`）
AI 存储	`ai_store.go` / `mem.go` / `memory_api.go`	独立管理 `ai_analysis.db`（对话历史、记忆事实、用量统计）
LLM 适配	`llm.go` / `bedrock.go` / `vertex.go` / `auth_gemini.go`	统一 `StreamLLM` 接口，provider 配置在 `LLMProfiles`
检索	`rag.go` / `vec.go` / `embedding.go`	FTS5 全文检索 + 向量检索，增量索引走 SSE 流式进度
导出	`export_*.go`	8 种目标（Markdown/Notion/飞书/WebDAV/S3/Dropbox/Drive/OneDrive）统一 collector 抽象
播客	`podcast.go` / `podcast_store.go`	LLM 生成双主持人脚本 + TTS 代理合成
锁屏	`lock.go`	bcrypt PIN + 自动锁定

平台相关

app_mode_darwin.go / app_mode_windows.go / _stub.go —— WebView 启动、托盘菜单
app_config_darwin.go / _windows.go —— 配置路径：~/Library/Application Support/WeLink、%APPDATA%\WeLink、或环境变量 PREFERENCES_PATH

MCP Server (`mcp-server/`)

独立 Go module（零外部依赖，纯 stdlib），stdio JSON-RPC 2.0 协议，通过 HTTP 反向调用后端 /api/*。19 个工具让 Claude Code 等 MCP 客户端能用自然语言直接查询聊天数据。

两种部署形态

┌──────────────── App 模式（macOS/Windows）────────────────┐
│                                                          │
│   WeLink.app (build tag: app)                            │
│   ├─ HTTP Server (Go backend, localhost:8080)           │
│   └─ WebView (WKWebView / WebView2) 加载 localhost       │
│                                                          │
│   配置: ~/Library/Application Support/WeLink/ or        │
│         %APPDATA%\WeLink\                                │
└──────────────────────────────────────────────────────────┘

┌──────────────── Docker 模式 ─────────────────────────────┐
│                                                          │
│   ┌─────────────┐                                        │
│   │  frontend   │  nginx serving React dist             │
│   │  0.0.0.0:80 │  (映射 3418 到宿主)                    │
│   └──────┬──────┘                                        │
│          │ /api → proxy_pass                             │
│   ┌──────▼──────┐                                        │
│   │   backend   │  welink-backend binary                 │
│   │   :8080     │  (绑 127.0.0.1，仅从 frontend 访问)   │
│   └──────┬──────┘                                        │
│          │                                               │
│   ┌──────▼──────┐   ┌───────────────┐                    │
│   │ ./decrypted │   │ welink-prefs  │ (named volume)    │
│   │ (只读挂载)  │   │ preferences   │                    │
│   └─────────────┘   └───────────────┘                    │
└──────────────────────────────────────────────────────────┘

AI 对话的数据流

 用户提问
    │
    ▼
 前端（AI 首页 / 联系人 AI 分身 / 跨联系人 QA）
    │
    ▼
 POST /api/ai/* (SSE)
    │
    ▼
 ┌── RAG 检索 ──────────────────────────────┐
 │  1. FTS5 关键词召回（message_content）    │
 │  2. 向量检索 top-K（余弦相似度）          │
 │  3. 记忆库 pinned facts 注入到 system    │
 │  4. Token budget 预算裁剪                 │
 └───────────────────────────────────────────┘
    │
    ▼
 LLM Provider (OpenAI / Claude / Gemini / Ollama / ...)
    │
    ▼
 SSE stream 回前端逐字显示
    │
    ▼
 落盘到 ai_analysis.db.ai_conversations

关键设计

本地优先：微信数据库全程在本地机器解密、索引、检索；只有你明确触发 AI 对话时才会把相关片段发到你配置的 LLM 提供商
单 binary 部署：后端 Go 源码编译成一个可执行文件，内嵌前端静态资源，Docker 镜像 < 50MB，也可打包成 macOS / Windows 桌面 App
零 CGO：SQLite 用 modernc 纯 Go 实现，向量检索/FTS 全部走 Go，跨平台编译不依赖 C 工具链
MCP 集成：独立的 mcp-server binary 通过本地 HTTP 反向代理后端 API，让 Claude Code 等 MCP 客户端能直接用自然语言查询你的聊天数据

整体架构 ​

总览 ​

分层职责 ​

前端 (frontend/) ​

后端 (backend/) ​

平台相关 ​

MCP Server (mcp-server/) ​

两种部署形态 ​

AI 对话的数据流 ​

关键设计 ​

相关文档 ​