把微信聊天记录直接交给 AI：WeChatBridge 让微信成为本地 AI 工作流入口

如果你经常使用微信进行工作，可能会遇到这样一个问题：

一段重要的聊天记录在微信群里。

里面可能有几十条文字、几张图片、几个文件，甚至还有视频和链接。你想把这些内容交给 AI 总结、分析或者继续处理，传统方式往往是：

复制聊天记录 → 整理内容 → 保存文件 → 打开 AI 工具 → 上传附件 → 再告诉 AI 应该怎么处理。

步骤很多，而且聊天上下文、图片和附件很容易在这个过程中丢失。

有没有一种更自然的方式？

直接在微信里选中聊天记录，然后把它“转发”给 AI。

这正是开源项目 WeChatBridge（微信流） 想解决的问题。

项目地址：GitHub – freestylefly/WeChatBridge

---

一、微信聊天记录，本身就是一种非常有价值的数据源

随着 AI Agent、个人知识库和本地 AI 工具的发展，一个越来越常见的工作流是：

把日常产生的信息交给 AI，再让 AI 帮我们整理、分析和沉淀。

而微信恰恰是很多人每天产生信息最多的地方之一。

工作群里的需求讨论、客户反馈、项目进展、技术资料、行业信息、朋友分享的文章……这些内容原本都散落在聊天窗口里。

问题并不在于“没有信息”，而在于：

信息很难离开微信，进入自己的 AI 工作流。

微信原生提供了“转发到其他应用”的能力，但系统的分享入口主要面向具备 Share Extension 的应用。

WeChatBridge 做的事情，可以理解成在微信和本地 AI 工具之间增加了一座桥：

微信聊天
   ↓
合并转发
   ↓
WeChatBridge
   ↓
AI Agent / Obsidian / 剪贴板 / 自定义应用

这样一来，微信聊天就不再只是“聊天记录”，而可以成为本地 AI 工作流的输入源。

---

二、它是怎么工作的？

WeChatBridge 并不是通过读取微信数据库来获取聊天内容，也不是通过注入微信进程的方式工作。

它利用的是 macOS 微信提供的一个比较自然的能力：

合并转发聊天记录。

在 macOS 微信 4.1.13 起，多选聊天记录后，可以使用“合并转发”。

微信会生成一个包含聊天内容的 ZIP 文件，其中可以包括：

• TXT 聊天文本
• 图片
• 视频
• 其他聊天附件

WeChatBridge 则通过 macOS Share Extension 接住这份内容。

整个流程非常简单：

① 微信中多选聊天记录

        ↓

② 点击“合并转发”

        ↓

③ 选择微信流中的目标

        ↓

④ WeChatBridge 接收聊天归档

        ↓

⑤ 转发给 AI / 保存到知识库 / 复制到剪贴板

最重要的一点是：

用户不需要先打开 WeChatBridge 主窗口。

目标入口可以直接出现在微信的“转发到其他应用”菜单中。

---

三、它真正解决的，其实是“AI 工作流入口”问题

从功能上看，WeChatBridge 像是一个微信文件转发工具。

但如果从工作流角度来看，它解决的是另一个问题：

如何让微信里的非结构化信息快速进入 AI Agent。

例如，你在一个项目群里看到几十条讨论。

以前可能需要人工整理：

微信
 ↓
复制聊天
 ↓
整理上下文
 ↓
复制图片
 ↓
下载文件
 ↓
打开 AI
 ↓
上传文件
 ↓
输入提示词

有了微信流之后，可以变成：

微信
 ↓
多选聊天
 ↓
合并转发
 ↓
发给 AI Agent

如果再结合场景提示词，甚至可以进一步变成：

项目群聊天
     ↓
选择“项目复盘”场景
     ↓
AI Agent
     ↓
总结讨论
提取待办
识别风险
整理决策

这也是这个项目比较有意思的地方：

它不是试图重新做一个聊天客户端，而是把微信变成 AI 工作流的一个输入节点。

---

四、内置多个 AI 和生产力工具入口

目前项目已经提供多个原生入口。

包括：

• Codex
• Claude
• 豆包
• 千问办公
• WorkBuddy
• WeSight
• Obsidian
• 剪贴板
• 自定义应用

因此用户可以根据自己的工作流选择目标。

例如：

方案一：直接交给 AI

微信群里讨论一个问题。

选择聊天记录 → 合并转发 → 发给 Codex / Claude。

AI 可以继续处理这些聊天内容。

方案二：沉淀到 Obsidian

如果这段聊天并不需要立即让 AI 处理，而是希望成为自己的长期知识资产，可以直接选择：

沉淀到 Obsidian。

项目会生成 Markdown 笔记，同时保存原始归档和相关附件。

于是微信中的一次讨论，就可以进入自己的本地知识库。

方案三：先进入剪贴板

如果暂时还不确定交给哪个应用，也可以先复制到剪贴板，再由用户手动处理。

这对于一些临时工作流尤其方便。

---

五、场景功能：让“转发给 AI”变得更有上下文

如果只是把聊天记录交给 AI，其实还不够。

因为同一批聊天记录，在不同场景下可能需要完全不同的处理方式。

比如：

项目群

总结讨论内容，提取决策、风险和待办事项。

客户群

提取客户需求、问题和后续跟进事项。

技术交流群

总结技术方案，并整理值得进一步研究的内容。

行业交流群

提取行业趋势、重要信息和潜在机会。

WeChatBridge 提供了“场景”机制。

用户可以为不同的场景保存提示词，并指定适用的 Agent。

这样，聊天记录本身只是输入，而场景则负责告诉 AI：

“你应该如何理解这些内容。”

这让简单的文件转发，逐渐变成了更加完整的 AI 工作流。

---

六、还有一个很有意思的设计：Skills

对于 AI Agent 用户来说，SKILL.md 已经成为一种常见的能力描述方式。

WeChatBridge 也提供了技能管理能力。

它的思路是：

聊天记录负责提供数据，Skill 负责提供处理能力。

例如，聊天中可能出现：

• 网页链接
• 视频
• 文档
• 图片
• 各种需要进一步解析的信息

如果 Agent 本身具备相应的 Skill，就可以进一步处理这些内容。

因此整个工作流可以形成：

微信聊天
    │
    ├── 文本
    ├── 图片
    ├── 视频
    ├── 文件
    └── 链接
          ↓
      WeChatBridge
          ↓
      场景 + Skill
          ↓
       AI Agent

这实际上已经不只是“聊天记录转发”，而更接近一个本地 AI 信息入口。

---

七、为什么项目特别强调“本地”？

微信聊天记录本身具有很强的隐私属性。

因此，一个处理微信内容的工具，用户最关心的问题之一就是：

它到底有没有偷偷读取我的微信数据？

根据项目公开文档，WeChatBridge 的设计边界比较明确：

• 不读取微信数据库
• 不解密微信数据
• 不注入微信进程
• 不修改微信进程
• 聊天内容来自用户主动执行的合并转发
• 聊天归档、场景和记录保存在本机
• Share Extension 在 macOS 沙盒中运行，并没有网络权限

项目还说明，屏幕录制权限主要用于识别微信标题栏中的聊天名称；辅助功能权限则用于激活目标应用和执行粘贴。

这套设计体现出一个很明确的思路：

尽可能利用系统公开能力完成工作流，而不是通过侵入式方式获取微信数据。

对于本地 AI 用户来说，这一点尤其重要。

---

八、它其实很符合 macOS 的设计方式

WeChatBridge 是一个原生 macOS 项目。

技术栈主要包括：

• Swift 6
• Swift Package Manager
• macOS Share Extension
• App Sandbox
• Sparkle
• Swift Testing / XCTest

项目要求 macOS 14 Sonoma 或更高版本。

从项目结构也能看出比较清晰的模块划分：

Sources/
├── WeChatBridgeApp/
│   └── 主应用、设置、转发编排、权限管理
│
├── WeChatBridgeCore/
│   └── 批次、场景、归档、剪贴板等核心逻辑
│
└── WeChatBridgeShare/
    └── macOS Share Extension

Resources/
└── 图标、Plist、entitlements、技能

Scripts/
└── 构建、安装、签名、发布

Tests/
└── 测试代码

这种结构也说明项目并不是简单的“脚本工具”，而是按照 macOS 原生应用的方式组织起来的。

---

九、安装也比较简单

如果只是普通用户，可以直接从 GitHub Releases 下载 DMG。

项目目前提供经过 Developer ID 签名和 Apple 公证的版本。

安装完成后，将应用拖入“应用程序”即可。

如果是开发者，也可以直接从源码构建：

git clone https://github.com/freestylefly/WeChatBridge.git
cd WeChatBridge

swift test

CONFIG=release Scripts/make-app.sh

项目还提供开发安装和预览脚本。

因此对于喜欢研究 macOS 自动化、Share Extension 或 AI Agent 工作流的开发者来说，这个项目也有一定的参考价值。

---

十、它和传统“聊天记录导出工具”有什么不同？

如果把 WeChatBridge 和传统的聊天记录导出工具放在一起看，会发现两者的目标并不完全一样。

传统工具通常关注：

如何把聊天记录保存下来。

而 WeChatBridge 更关注：

聊天记录保存下来以后，下一步去哪里？

这也是它比较有意思的地方。

它把整个过程拆成了几个阶段：

信息产生
   ↓
微信
   ↓
主动选择
   ↓
聊天归档
   ↓
WeChatBridge
   ↓
┌─────────────┐
│ AI Agent    │
│ Obsidian    │
│ 剪贴板      │
│ 自定义 App  │
└─────────────┘
   ↓
处理 / 分析 / 沉淀

因此它更像是一个：

“微信 → 本地 AI / 知识库”的桥接层。

---

十一、对于 AI Agent 用户，它意味着什么？

过去我们使用 AI，往往是“打开 AI，再把资料交给 AI”。

但随着 Agent 的发展，工作方式正在逐渐变化：

信息在哪里产生，AI 就应该在哪里获得输入。

微信是信息产生的地方。

Obsidian 是知识沉淀的地方。

Codex、Claude 等则是处理信息的地方。

WeChatBridge 做的事情，就是把这些环节连接起来。

从这个角度来看，它可以被理解为一个非常轻量的本地自动化节点：

       微信
        │
        ▼
  WeChatBridge
     /   |   \
    /    |    \
   ▼     ▼     ▼
 AI    知识库   其他 App

它不需要重新定义微信，也不需要替代 AI。

它只是把原本割裂的几个环节连接起来。

---

十二、一个值得关注的方向：个人 AI 工作流

WeChatBridge 更值得关注的地方，也许并不是“能把微信转给 Claude”。

这种能力本身并不复杂。

真正值得关注的是它背后的工作流：

让个人每天产生的信息，可以低成本进入自己的 AI 和知识体系。

想象一下：

早上，微信群里出现一条行业新闻。

你不需要复制链接，也不需要重新整理。

直接转发。

AI 自动阅读上下文，并告诉你：

• 这条信息讲了什么
• 为什么值得关注
• 和过去的信息有什么关系
• 是否需要进一步研究

下午，项目群里讨论了一个技术问题。

再次转发。

AI 帮你：

• 总结讨论
• 提取结论
• 整理 TODO
• 记录关键决策

晚上，再把重要内容沉淀到 Obsidian。

久而久之，微信这个原本高度封闭的信息环境，就可以成为个人 AI 工作流的一个入口。

---

十三、项目当前状态

从仓库公开信息来看，WeChatBridge 已经具备比较完整的产品形态：

• macOS 14+
• Swift 6
• 微信原生合并转发接入
• 多个 AI Agent 入口
• Obsidian 本地归档
• 场景提示词
• Skill 管理
• 自定义应用
• 本地历史记录
• 中英文界面
• Universal 2 构建
• Developer ID 签名和公证
• DMG 发布

项目采用 MIT License 开源。

路线图中还包括 Homebrew Cask，以及更多社区场景和技能包。

---

结语：微信只是入口，真正的目标是信息流

如果只把 WeChatBridge 看成一个“微信聊天记录转发器”，可能会低估它的意义。

它真正有意思的地方在于：

把微信里的信息，从封闭的聊天窗口中释放出来，接入 AI Agent、个人知识库和本地自动化工作流。

过去：

微信里的信息 → 看完就过去了。

现在：

微信里的信息 → AI 处理 → 知识库沉淀 → 成为个人长期资产。

而 WeChatBridge 做的，就是中间那座桥。

对于正在使用 AI Agent、Obsidian 和本地自动化工具的人来说，这种“从信息产生地直接进入 AI 工作流”的思路，或许比单纯增加一个新 AI 客户端更加值得关注。

信息不应该只停留在聊天窗口里。

它还可以成为下一次思考、下一次决策，以及下一次 AI 工作流的输入。

---

项目地址：
freestylefly/WeChatBridge

许可证： MIT License

系统要求： macOS 14 Sonoma 或更高版本