灵感来自 Page Index 这类非传统 RAG 项目：不做固定 chunk 切分，而是把内容按结构喂给大模型——像人类看书一样，先看目录再进章节。传统 RAG 用固定 token 切块、向量召回、Re-rank 的「一力降十会」方式，对聊天记录这种半结构化文本并不友好。
为什么只做聊天记录？ 小说、日志、邮件各有特性，通用方案效果不佳。聊天记录有天然时间戳和对话边界，适合做「按时间 → 按话题」的层级拆分。
narrarc 做两件事：
- 初始化：按时间切成 Burst，再在 Burst 内按话题聚类，形成 TopicNode 和语义线程。
- 查询：传统 RAG 只能回答「去年 7 月说了什么」这类碎片问题。人际交往里更有价值的是连续性问题——「我们是怎么一步步走到一起的？」「怎么一步步分手的？」——需要串联整段信息流。narrarc 能捕捉这种变化，并用原始聊天记录作为佐证。
将微信聊天历史转化为有证据支持的叙事弧。双层索引架构，支持自然语言查询关系动态变化。
想了解系统设计的整体思路？可阅读这篇博文：narrarc 系统设计详解
导入聊天记录后，系统自动按时间切分 Burst、抽取 TopicNode，完成双层索引构建。
输入自然语言问题，系统实时串联话题脉络，并附上原始聊天记录作为证据支撑。
叙事镜鉴的主界面，提供清晰的导航，方便用户一键进入"启动引擎"（叙事查询）或"数据接入"（构建索引）。
核心的问答探索区。用户可通过自然语言提问（例如："我们是怎么认识的？"），系统不仅会生成连贯的故事弧，还会精准附上相关的原始聊天记录作为"证据"支撑。
当用户点击叙事中的引用标记时，系统会展示具体的聊天上下文与元数据，确保每一段叙事分析都有迹可循。
展示底层的数据处理结果，包括按时间切分的 Burst 聚合状态、话题节点（TopicNode）抽取情况以及多维情感信号的可视化。
用于管理本地数据库状态、配置 LLM 参数以及触发双层索引（生成 TopicNode 和语义线程）的构建流。
narrarc/
├── backend/ # Python 后端（narrative_mirror）
├── client/ # Tauri 桌面客户端（叙事镜鉴）
└── README.md
cd backend
uv sync
uv run python -m narrative_mirror.build --talker mock_talker_001 --debug
uv run python -m narrative_mirror.metadata --talker mock_talker_001 --debug
uv run python -m narrative_mirror.layer2 --talker mock_talker_001 --debug
uv run python -m narrative_mirror.query --talker mock_talker_001 "我们是怎么一步步分手的？"cd client
npm install
npm run tauri:dev前置要求：
- uv（Python 包管理）在 PATH 中。若未安装：
powershell -ExecutionPolicy ByPass -c "irm https://astral.sh/uv/install.ps1 | iex"，安装后把%USERPROFILE%\.local\bin加入 PATH。 - Node.js 18+（客户端构建与 Tauri 需要）。
- Rust（Tauri 2 首次构建时会提示安装）。
一键本地运行（自动安装 uv、Node.js、Rust、MSVC Build Tools，然后启动桌面客户端）：
run-local.cmd或（若遇「禁止运行脚本」则用）：
powershell -NoProfile -ExecutionPolicy Bypass -File .\run-local.ps1- 首次运行若缺少 Visual Studio Build Tools，会自动通过 winget 安装（体积较大，约 10–20 分钟），完成后请再执行一次上述命令即可打开 Tauri 窗口。
- Node.js 若未安装会下载便携版到项目目录
.node/，无需全局安装。
客户端内置示例：client/data/samples/realtalk_emi_elise.json。在「导入数据」中选择该文件即可快速体验。
- 后端 LLM：
backend/config.yml（参考backend/config.yml.example） - 数据库：
backend/data/mirror.db（自动创建）
