OpenClaw提供四种微信好友自动标签方法：一、关键词规则匹配；二、大模型语义分析；三、交互行为统计；四、群聊归属推导，分别适配明确场景、模糊关系、无文本信号及内容稀疏情况。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
如果您在微信中与多位好友频繁交流，但缺乏系统化管理手段，导致无法快速识别联系人属性或关系类型，则可能是由于缺乏基于语义理解的自动化标签能力。OpenClaw可通过分析聊天内容语义、上下文特征及交互行为，为微信好友自动打上结构化标签。以下是实现该功能的多种方法：
一、基于消息关键词匹配的规则式打标
该方法通过预设关键词词库与正则表达式，对好友发送的文本消息进行实时扫描，一旦命中指定模式即触发对应标签写入操作。适用于明确业务场景（如“客户”“同事”“家人”）且关键词稳定的情况。
1、打开OpenClaw配置目录，定位到skills/wechat/tagging/rules.yaml文件。
2、在keywords字段下新增分类规则，例如：
- name: "客户"<br> patterns: ["报价", "合同", "付款", "采购", "贵司"]<br> priority: 10
3、保存文件后执行openclaw skills reload wechat-tagging命令重载技能模块。
4、向目标好友发送含关键词的消息（如“请把合同发我”），OpenClaw将在后台自动为其添加客户标签。
二、基于大模型语义理解的动态打标
该方法调用本地部署的轻量化语言模型（如Phi-3-mini或Qwen2-0.5B），对好友近7天内全部可访问消息进行摘要建模，提取职业身份、兴趣领域、关系亲密度等隐含维度，生成多维标签向量。适用于关系模糊、表达隐晦的社交对象。
1、确认OpenClaw已启用llm-embedding插件，并完成模型路径配置。
2、在微信中向ClawBot发送指令：/tag analyze @张三 近7日消息语义。
3、等待约8–12秒响应，ClawBot将返回类似：{"tags": ["互联网从业者", "技术顾问", "潜在合作方"], "confidence": 0.92}
4、手动确认后，系统自动将该标签组写入该好友的元数据档案。
三、基于交互频率与时间模式的行为式打标
该方法不依赖消息文本内容，而是统计好友在工作日9–18点的主动发起频次、平均响应延迟、语音/图片消息占比等行为指标，构建用户活跃画像，识别出高频协作对象、信息提供者或低互动联系人。
1、确保OpenClaw已开启微信消息埋点采集，且wechat-analytics技能处于激活状态。
2、运行命令：openclaw analytics wechat behavior --target @李四 --window 30d。
3、解析输出中的interaction_score与response_pattern字段，若interaction_score > 85且response_pattern == "work_hours"，则判定为工作伙伴。
4、执行openclaw wechat tag add @李四 工作伙伴 --source behavior完成标签绑定。
四、基于群聊归属关系的间接打标
该方法利用好友是否存在于特定高价值群聊（如“董事会秘书群”“产品需求评审群”）作为强信号，反向推导其组织角色与职能标签，规避单聊内容稀疏导致的识别盲区。
1、在OpenClaw控制台中执行openclaw wechat group list，获取所有已接入群聊ID列表。
2、筛选出目标群聊（如ID为wxg_abc123），运行：openclaw wechat group members wxg_abc123。
3、从返回名单中识别出待标记好友的openId，例如zhangsan@im.wechat。
4、执行指令：openclaw wechat tag add zhangsan@im.wechat 董事会秘书 --source group:wgx_abc123，系统将自动关联并持久化该标签。
