这次我们来看一个很适合个人开发者和家庭场景的服务型小项目“你的幸福就是我最大的幸福”。它不是一个图像生成工作流也不是语音克隆工具而是一套用 FastAPI 搭起来的本地情感关怀服务用来记录你在意的人的重要日期和情绪状态在关键时刻自动生成并推送一条祝福文案。项目的核心理念很朴素把“关心”变成数据、规则和定时任务不让任何一个值得记住的日子被漏掉。这个项目最值得关注的点有几个所有隐私数据默认存在本地 SQLite不需要把家庭成员记录传到外部平台提供完整的 REST API可以接自己的任务流支持批量生成祝福文案和定时扫描提醒硬件门槛低轻量模式在普通办公电脑上就能运行同时保留了接入更强情感分析模型的空间。如果后续要接入本地大模型做语义分析才会涉及显卡和显存评估基础版本并不依赖 GPU。本文会带读者从零搭建完整闭环先初始化项目结构和数据库再启动 API 服务然后录入用户和情感记录跑一轮情感分析与祝福文案生成最后配置定时任务和批量任务队列。每一步都给出了可复制的代码和使用方法读者跟着操作就能得到一个可运行的本地服务。适合的读者有两类一类是想要给家人、伴侣、朋友做一套私人提醒系统的个人开发者另一类是正在学习 FastAPI、SQLite、定时任务和本地数据存储全栈思路的初学者。如果只是好奇也可以先看第 5 节的功能测试和第 8 节的资源占用部分能快速判断这套方案是否符合自己的需求。1. 核心能力速览先把项目的关键规格放在前面方便快速判断这个方案值不值得花时间。能力项说明项目类型本地部署的情感关怀与幸福记录服务示例项目主要功能用户管理、情感记录、轻量情感分析、祝福文案生成、日期提醒、批量文案生成存储方式SQLite 本地数据库数据默认不出本机推荐运行环境Python 3.9 及以上Windows / Linux / macOS 均可硬件门槛轻量模式普通办公电脑即可接入本地大模型做语义分析时才需要评估显存启动方式命令行启动 FastAPI 服务接口 API提供 REST API可通过 /docs 查看交互文档批量任务支持批量生成祝福文案、定时扫描提醒日期推送方式默认输出 JSON 文件和日志可自行扩展邮件、机器人等通道适合场景个人与家庭隐私场景、FastAPI 全栈学习、自动化关怀任务需要强调一点这个项目是一个通用实现模板不是某个组织发布的闭源软件。读者拿到的是代码骨架实际的情感词典、文案风格、数据库表结构都可以按自己的场景改。表格里的“本地部署”“REST API”等说法都是围绕这个模板本身的能力来描述的不绑定任何特定开源模型或第三方平台账号。2. 适用场景与使用边界这个服务最合适的场景是个人和家庭内部使用。你可以记录父母的生日、伴侣的结婚纪念日、孩子的重要成长节点然后让系统到点提醒你该打个电话该发条消息该准备一份小礼物。相比在手机上单纯设一个日历闹钟这套项目的优势在于它把人物关系、情感记录和文案生成串在了一起提醒的不只是一个“日期”而是一个“为什么要做这件事”的上下文。它也能用于学习完整的后端开发流程。FastAPI 负责接口层SQLite 负责持久化APScheduler 负责定时任务情感分析和模板生成负责业务逻辑。整个项目结构足够小但已经覆盖了一个服务端应用的主要模块适合作为练手项目逐步扩展。使用边界要提前说清楚。第一不要在没有鉴权的情况下把服务暴露到公网默认监听 127.0.0.1 就是为安全考虑的如果要多设备访问应该自己加 Token 或身份校验。第二情感分析结果只做参考它不能替代心理咨询或医疗判断如果发现记录对象长期处于明显的负面情绪应该用真实的人际关怀去介入。第三如果你要把家人的情绪记录、日期信息录入系统最好征得对方同意这些信息属于个人敏感数据。第四未来如果扩展成自动发送短信、微信消息、生成照片或语音祝福必须使用合规的推送通道并确保肖像权和声音权已经获得授权。3. 环境准备与项目结构先准备 Python 环境。推荐使用虚拟环境隔离依赖避免和系统 Python 包冲突。Windows 用户在命令提示符或 PowerShell 中执行Linux / macOS 用户使用终端。mkdir happiness_service cd happiness_service python -m venv venv激活虚拟环境# Windows venv\Scripts\activate # Linux / macOS source venv/bin/activate创建依赖文件 requirements.txt写入以下内容fastapi0.110 uvicorn0.29 apscheduler3.10 pydantic2.6然后安装依赖pip install -r requirements.txt依赖安装完成后创建项目目录结构。推荐按下面的方式组织文件后续扩展功能时不容易乱happiness_service/ ├── app.py ├── config.py ├── database.py ├── analyzer.py ├── template_engine.py ├── scheduler.py ├── requirements.txt ├── data/ └── scripts/ └── send_blessing.py每个文件的职责如下config.py 保存路径和端口配置database.py 负责 SQLite 初始化和增删改查analyzer.py 做轻量情感分析template_engine.py 负责祝福文案生成scheduler.py 是定时提醒任务app.py 是 FastAPI 入口scripts 目录放独立的批量脚本。先写 config.py把路径集中管理import os BASE_DIR os.path.dirname(os.path.abspath(__file__)) DATA_DIR os.path.join(BASE_DIR, data) DB_PATH os.path.join(DATA_DIR, happiness.db) HOST os.getenv(HAPPINESS_HOST, 127.0.0.1) PORT int(os.getenv(HAPPINESS_PORT, 8000))然后写 database.py包含建表和基础数据访问方法import sqlite3 from pathlib import Path from config import DATA_DIR, DB_PATH def get_connection(): Path(DB_PATH).parent.mkdir(parentsTrue, exist_okTrue) conn sqlite3.connect(DB_PATH) conn.row_factory sqlite3.Row return conn def init_db(): conn get_connection() conn.executescript( CREATE TABLE IF NOT EXISTS users ( id INTEGER PRIMARY KEY AUTOINCREMENT, name TEXT NOT NULL, relationship TEXT DEFAULT default, birthday TEXT, anniversary_date TEXT, created_at TEXT DEFAULT CURRENT_TIMESTAMP ); CREATE TABLE IF NOT EXISTS records ( id INTEGER PRIMARY KEY AUTOINCREMENT, user_id INTEGER NOT NULL, content TEXT NOT NULL, mood_type TEXT, mood_score REAL, keywords TEXT, remark TEXT, created_at TEXT DEFAULT CURRENT_TIMESTAMP, FOREIGN KEY (user_id) REFERENCES users(id) ); CREATE TABLE IF NOT EXISTS remind_tasks ( id INTEGER PRIMARY KEY AUTOINCREMENT, user_id INTEGER NOT NULL, task_type TEXT NOT NULL, task_date TEXT NOT NULL, message TEXT, status TEXT DEFAULT pending, created_at TEXT DEFAULT CURRENT_TIMESTAMP ); ) conn.commit() conn.close()数据表设计为三张users 保存人物信息records 保存每次情感记录和分析结果remind_tasks 保存待触发的提醒任务。birthday 和 anniversary_date 统一使用“YYYY-MM-DD”格式字符串方便定时任务按月日匹配。analyzer.py 先实现一个离线情感词典版本不需要联网也不需要 GPU。这个版本用来演示完整流程够了后续想提高准确率可以把 analyze_sentiment 函数内部换成调用本地部署的情感分类模型。POSITIVE_WORDS {幸福, 开心, 快乐, 温暖, 感动, 满足, 喜欢, 顺利, 健康, 值得} NEGATIVE_WORDS {难过, 失落, 疲惫, 焦虑, 生气, 委屈, 压力, 糟糕, 失眠, 担心} def analyze_sentiment(text: str) - dict: positive_hits [w for w in POSITIVE_WORDS if w in text] negative_hits [w for w in NEGATIVE_WORDS if w in text] if not positive_hits and not negative_hits: return { mood_type: neutral, mood_score: 5.0, keywords: [], } total len(positive_hits) len(negative_hits) ratio len(positive_hits) / total if ratio 0.6: mood_type positive elif ratio 0.4: mood_type negative else: mood_type neutral return { mood_type: mood_type, mood_score: round(ratio * 10, 1), keywords: positive_hits negative_hits, }template_engine.py 使用模板生成祝福文案。这里先做离线模板版本避免把家庭场景的文案请求发送到外部大模型接口。按场景区分生日、纪念日、日常问候后续可以按人物关系继续扩展模板库。TEMPLATES { birthday: [ {name}生日快乐。愿你想要的都拥有愿你珍惜的人一直陪在身边。你的幸福就是我最大的幸福。, 今天是你的生日{name}。不用赶着成为谁今天只做开心的自己。, ], anniversary: [ {name}纪念日快乐。谢谢你在那些平常日子里给的陪伴愿以后每个重要日子我们都不缺席。, 属于我们的纪念日又到了{name}。时间在走想给你的心意不变。, ], daily: [ {name}今天有没有按时吃饭稍微停下来歇一会儿别让自己太累。, 想跟你说声{name}今天也辛苦了。你的笑容就是我最想守护的东西。, ], } RELATIONSHIP_NOTES { partner: 最珍惜的人, parent: 最想孝顺的人, child: 最想守护的人, friend: 重要的朋友, default: 在乎的人, } def build_relationship_prefix(relationship: str) - str: return RELATIONSHIP_NOTES.get(relationship, RELATIONSHIP_NOTES[default]) def generate_blessing(user_name: str, scenario: str daily, relationship: str default) - str: templates TEMPLATES.get(scenario, TEMPLATES[daily]) template templates[0] return template.format(nameuser_name)到这一步项目骨架已经完整。没有 GPU 也能跑因为你还没有调用任何深度学习模型。下面进入服务启动和接口验证。4. 启动 API 服务与基础验证现在写 FastAPI 入口 app.py。这里直接调用 init_db 初始化数据库减少启动时序问题。再定义用户创建、情感记录、情感趋势和祝福生成等接口。from typing import Optional from fastapi import FastAPI from pydantic import BaseModel from analyzer import analyze_sentiment from config import init_app_config from database import ( add_record, add_user, get_mood_trend, init_db, list_records, list_users, ) from template_engine import generate_blessing app FastAPI(title你的幸福就是我最大的幸福, version0.1.0) init_db() class UserCreate(BaseModel): name: str relationship: str default birthday: Optional[str] None anniversary_date: Optional[str] None class RecordCreate(BaseModel): user_id: int content: str remark: Optional[str] None class BlessingRequest(BaseModel): name: str scenario: str daily relationship: str default app.get(/health) def health_check(): return {status: ok, service: happiness-service} app.post(/users) def create_user(payload: UserCreate): user_id add_user( namepayload.name, relationshippayload.relationship, birthdaypayload.birthday, anniversary_datepayload.anniversary_date, ) return {user_id: user_id, message: 用户创建成功} app.get(/users) def query_users(): return list_users() app.post(/records) def create_record(payload: RecordCreate): mood_result analyze_sentiment(payload.content) record_id add_record( user_idpayload.user_id, contentpayload.content, mood_resultmood_result, remarkpayload.remark, ) return {record_id: record_id, analysis: mood_result} app.get(/users/{user_id}/records) def query_records(user_id: int): return list_records(user_iduser_id) app.get(/users/{user_id}/mood_trend) def query_mood_trend(user_id: int): return get_mood_trend(user_iduser_id) app.post(/blessing) def create_blessing(payload: BlessingRequest): return { scenario: payload.scenario, message: generate_blessing( user_namepayload.name, scenariopayload.scenario, relationshippayload.relationship, ), }注意这个版本没有给接口加鉴权只适合本机测试。启动命令如下uvicorn app:app --host 127.0.0.1 --port 8000启动后终端会输出访问地址。浏览器打开 http://127.0.0.1:8000/docs如果能看到 FastAPI 自带的 Swagger 交互文档说明服务已经跑起来了。Swagger 页面会把所有接口列出并且支持直接在页面上点击 Try it out 发送请求这是最方便的接口验证方式。也可以先验证健康检查接口curl http://127.0.0.1:8000/health返回结果{status:ok,service:happiness-service}看到这个输出服务就是可用的。接下来开始录入真实数据做功能测试。5. 功能测试情感记录与祝福生成先创建一个用户。比如要记录妈妈的信息接口请求如下curl -X POST http://127.0.0.1:8000/users \ -H Content-Type: application/json \ -d {name: 妈妈, relationship: parent, birthday: 1965-08-20}预期返回{user_id:1,message:用户创建成功}如果返回其他内容先看 Swagger 页面里的错误提示通常是 JSON 格式错误或者日期字段格式不对。创建用户后添加一条情感记录。这里设计接口会先调用 analyzer.py 的情感分析再把分析结果和原文一起存入数据库。curl -X POST http://127.0.0.1:8000/records \ -H Content-Type: application/json \ -d {user_id: 1, content: 今天陪妈妈复查医生说恢复得很好她特别开心。, remark: 复查日}预期返回{ record_id: 1, analysis: { mood_type: positive, mood_score: 10.0, keywords: [开心] } }这里 mood_type 有三种可能positive、neutral、negative。mood_score 范围是 0 到 10分数越高代表文本中包含的积极词汇占比越高。keywords 是文本中命中的情感词典词汇。因为原文里有“开心”而没有负面词所以判定为 positive分数是 10。再测试一条负面记录curl -X POST http://127.0.0.1:8000/records \ -H Content-Type: application/json \ -d {user_id: 1, content: 她说最近总是失眠工作压力很大。, remark: 日常记录}返回结果里 mood_type 应该是 negativemood_score 偏低keywords 至少包含“失眠”“压力”。这说明情感分析接口能区分正向和负向表达。情感趋势接口能把一段时间内的记录聚合成折线数据。请求curl http://127.0.0.1:8000/users/1/mood_trend返回按日期分组的平均 mood_score。这个接口适合后续做一个小型 Web 看板用来观察记录对象的情绪变化。祝福生成接口测试curl -X POST http://127.0.0.1:8000/blessing \ -H Content-Type: application/json \ -d {name: 妈妈, scenario: daily, relationship: parent}预期返回{ scenario: daily, message: 妈妈今天有没有按时吃饭稍微停下来歇一会儿别让自己太累。 }如果返回的是英文或者乱码检查终端编码。在 Windows 的 PowerShell 里发送中文 JSON 可能会出现编码问题更稳妥的办法是用 Python 脚本调用接口或者把 JSON 写入文件再通过 curl 的 --data file 方式发送。6. 接口 API 调用示例接口跑通后可以把服务接到自己的脚本里。下面是 Python 调用示例适合在本地批量录入数据和生成文案。import requests BASE http://127.0.0.1:8000 # 创建用户 user requests.post( f{BASE}/users, json{ name: 妈妈, relationship: parent, birthday: 1965-08-20, anniversary_date: None, }, ).json() print(user) # 添加一条情感记录 record requests.post( f{BASE}/records, json{ user_id: user[user_id], content: 今天陪妈妈复查医生说恢复得很好她特别开心。, remark: 复查日, }, ).json() print(record) # 生成祝福文案 blessing requests.post( f{BASE}/blessing, json{ name: 妈妈, scenario: daily, relationship: parent, }, ).json() print(blessing[message])如果只需要生成文案不一定要先创建用户。祝福接口只依赖 name、scenario、relationship 三个字段可以直接使用。批量生成祝福文案时建议把名单放到一个 JSON 文件里例如 people.json[ {name: 爸爸, relationship: parent, scenario: birthday}, {name: 伴侣, relationship: partner, scenario: anniversary}, {name: 朋友, relationship: friend, scenario: daily} ]再写一个批量脚本 scripts/send_blessing.pyimport argparse import json import requests BASE http://127.0.0.1:8000 def load_people(path): with open(path, encodingutf-8) as f: return json.load(f) def batch_generate(people): results [] for person in people: response requests.post( f{BASE}/blessing, json{ name: person[name], scenario: person.get(scenario, daily), relationship: person.get(relationship, default), }, timeout10, ) data response.json() results.append( { name: person[name], message: data[message], } ) return results if __name__ __main__: parser argparse.ArgumentParser(description批量生成祝福文案) parser.add_argument(--people, defaultpeople.json, help名单文件) parser.add_argument(--output, defaultblessing_output.json, help输出文件) args parser.parse_args() people load_people(args.people) results batch_generate(people) with open(args.output, w, encodingutf-8) as f: json.dump(results, f, ensure_asciiFalse, indent2) print(f已生成 {len(results)} 条文案输出到 {args.output})运行命令python scripts/send_blessing.py --people people.json --output blessing_output.json运行后打开 blessing_output.json应该能看到三条已经填充好人名的祝福文案。这样即使一次要写几十个人的祝福也只需要维护一份名单文件剩下的事情交给脚本。批量脚本有一个明显的优点它只依赖 /blessing 接口改动模板时不需要重新学脚本。缺点是如果服务没有启动所有请求都会失败所以脚本里需要增加超时和异常处理。更完整的版本可以加日志记录把失败的用户单独输出到一个 retry.json 文件方便二次重跑。7. 定时提醒与批量任务扩展只记录数据和生成文案还不够真正让“你的幸福就是我最大的幸福”落地的是定时提醒。APScheduler 可以放在服务里每隔一段时间扫描一次数据库把当天需要提醒的人物找出来写入队列文件。scheduler.py 实现定时扫描逻辑import json import os from datetime import datetime from apscheduler.schedulers.background import BackgroundScheduler from config import DATA_DIR from database import get_connection QUEUE_FILE os.path.join(DATA_DIR, remind_queue.json) def scan_reminders(): today datetime.now().strftime(%m-%d) conn get_connection() rows conn.execute( SELECT u.id, u.name, u.relationship, u.birthday, u.anniversary_date FROM users u WHERE (substr(u.birthday, 6) ?) OR (substr(u.anniversary_date, 6) ?) , (today, today), ).fetchall() pending [] for row in rows: user dict(row) if user[birthday] and user[birthday][5:] today: task_type birthday elif user[anniversary_date] and user[anniversary_date][5:] today: task_type anniversary else: continue pending.append( { user_id: user[id], name: user[name], task_type: task_type, date: datetime.now().strftime(%Y-%m-%d), } ) conn.close() os.makedirs(DATA_DIR, exist_okTrue) with open(QUEUE_FILE, w, encodingutf-8) as f: json.dump(pending, f, ensure_asciiFalse, indent2) if pending: print(f[reminder] 检测到 {len(pending)} 条应提醒事项) else: print([reminder] 今天没有匹配的日期) def start_scheduler(): scheduler BackgroundScheduler() scheduler.add_job(scan_reminders, interval, minutes1, idscan_reminders) scheduler.start() print([scheduler] 定时任务已启动每 1 分钟扫描一次) return scheduler这个逻辑的核心是把日期字符串的“MM-DD”部分和今天的“MM-DD”比较。birthday 如果传的是 “1965-08-20”substr(birthday, 6) 得到 “08-20”和今天的 “08-20” 匹配就说明今天是这个人的生日。定时任务不建议通过接口启动因为 uvicorn 开启 --reload 时可能重复启动多个调度器。更稳妥的做法是把定时任务独立成一个进程。在 scripts 下新建 run_scheduler.pyimport sys import threading from pathlib import Path sys.path.insert(0, str(Path(__file__).resolve().parent.parent)) from scheduler import start_scheduler if __name__ __main__: scheduler start_scheduler() print(按 CtrlC 退出) try: threading.Event().wait() except KeyboardInterrupt: scheduler.shutdown()运行python scripts/run_scheduler.py默认情况下扫描结果写到 data/remind_queue.json。实际使用中你可以在 scan_reminders 函数末尾追加真实的推送通道比如发送邮件、调用企业微信群机器人、写入自己的待办应用。推送通道需要单独申请权限因此这套项目先统一走 JSON 文件方便你自己对接。批量任务可以分为两种。一种是周期性批量生成文案用第 6 节的 send_blessing.py 就能实现。另一种是批量发送提醒需要你把发送状态回写到数据库的 remind_tasks 表里至少增加一个 processed 字段避免每次扫描都重复发送同一条消息。这是从示例走向生产环境必须补上的细节。8. 资源占用与性能观察这个项目的基础版本没有任何深度学习模型资源占用很低。启动 uvicorn 和 APScheduler 后主要消耗来自 Python 进程本身。普通办公电脑上内存占用通常在几十 MB 到一两百 MB 区间具体数值会因 Python 版本和已安装依赖不同而有差异。CPU 占用在没有请求时接近 0每隔一分钟的定时扫描任务也只需要执行几条 SQLite 查询和少量字符串比较。显存占用在这个项目里是可选项。如果你只使用情感词典和模板生成整个过程完全不需要 GPU。后续如果需要更准确的情感语义分析可以在 analyzer.py 中改为调用本地部署的开源情感分类模型或本地大模型这时才需要关注显存。显存占用取决于你接的模型参数量、输入文本长度和推理框架没有统一数字必须按本机实测为准。观察资源占用有三种方式。第一Windows 任务管理器里看 python 进程的 CPU 和内存。第二Linux 下使用 top 或 htop 查看。第三如果接入了本地 GPU 模型使用 nvidia-smi 观察当前进程的显存占用。nvidia-smi批量任务对性能的影响要分开看。批量生成祝福文案时瓶颈一般在模板引擎和 JSON 序列化数千条文案也是秒级完成。批量写入情感记录时瓶颈可能出现在 SQLite 写入频率上建议批量插入时使用事务而不是逐条提交。另外定时扫描任务如果间隔太短并且扫描逻辑里加了外部推送就要考虑推送通道的频率限制避免被平台当成垃圾请求。内存泄漏和端口残留是本地服务最常见的两个问题。开发调试时uvicorn 进程没有正常退出再次启动就会提示端口被占用。遇到这种情况先找到占用端口的进程并终止再重新启动服务。# Windows netstat -aon | findstr :8000 taskkill /PID 进程号 /F # Linux / macOS lsof -i :8000 kill -9 进程号9. 常见问题与排查方法本地部署这个流程不长但会遇到一些典型问题。整理成表格方便直接对照。问题现象可能原因排查方式解决方案启动时提示端口被占用8000 端口被其他进程使用netstat 或 lsof 查看端口占用关闭占用进程或修改 config.py 里的 PORTuvicorn 命令找不到没有激活虚拟环境或依赖未安装检查命令行前是否出现 venv 前缀激活虚拟环境后重新安装 requirements.txt运行时提示 sqlite3.OperationalError: database is locked多个进程同时写入数据库检查是否有多个 API 进程或调度器进程关掉重复进程使用 WAL 模式避免多进程写同一个 SQLite 文件中文返回乱码Windows 终端编码不是 UTF-8在 Swagger 页面看响应体是否正常使用 Python 脚本调用或把 JSON 写入文件再读取情感分析结果全部为 neutral文本中未命中情感词典词汇打印 keywords 字段扩充 POSITIVE_WORDS 和 NEGATIVE_WORDS或者接入更强模型定时任务一直没有输出APScheduler 未启动或用户日期格式不对确认 run_scheduler.py 是否在运行检查 users 表中日期格式统一日期为 YYYY-MM-DD确认扫描进程已启动POST /records 返回 422JSON 字段名称或类型不匹配查看响应中的 detail 错误信息按 Pydantic 模型传字段user_id 必须为数字调用 /docs 无法打开服务未启动或浏览器代理异常检查后台进程和访问地址确认 uvicorn 启动成功访问 127.0.0.1 而不是远程地址重启后数据丢失data 目录未生成或数据库路径错误检查 data/happiness.db 是否存在确认 config.py 中 DATA_DIR 路径正确如果接口报 422通常是请求 JSON 和 Pydantic 模型字段不一致。比如 RecordCreate 要求的是 user_id 和 content你却传了 userId 和 text校验直接失败。先看 Swagger 文档中的请求示例再对比自己的请求体。情感分析部分最容易让使用者误判。当前默认的情感词典只有十几个词不可能覆盖复杂的中文表达。比如“虽然很累但是看到他就踏实了”这句话可能同时命中“累”和“踏实”需要靠情绪分数加权判断。更准确的做法是把 analyzer.py 里的逻辑替换成语义模型而不是继续堆关键词。10. 最佳实践、合规建议与下一步第一次运行时不要急着录入大量数据。先创建 1 到 2 个测试用户分别插入正向和负向情感记录确认情感分析、祝福生成、定时扫描三个主链路都正常再开始正式使用。数据备份要养成习惯。SQLite 只有一个文件直接复制 data/happiness.db 就能备份。本地服务没有自动备份机制建议手动备份或者写一个简单的定时复制脚本。敏感数据不要放到公开仓库尤其是包含真实姓名、出生日期、关系标签的数据库文件。合规层面控制三点。第一只在获得当事人知情同意后记录信息不要把工具变成暗中监视他人情绪的手段。第二推送消息要控制频率和措辞避免给对方造成打扰。如果对方明确表示不需要应该允许关闭对该用户的提醒。第三这个项目不适合用来做心理状态诊断。情感分析只是辅助真实的关系维护仍然需要面对面沟通。下一步的扩展方向比较明确。第一把模板引擎升级为支持多个模板随机选择避免每次都发一模一样的文案。第二给 analyzer.py 接入本地情感分类模型提高语义判断能力。第三把数据从 SQLite 换成 PostgreSQL增加用户鉴权和多端访问就能从个人工具升级成一个小型家庭服务。第四增加 Web 看板把情绪趋势用图表展示出来让记录变得可视化。第五设计发送确认机制在 send_blessing.py 里加入“已发送”状态防止同一批人重复收到祝福。如果你也想做一套“幸福守护”小服务建议从今天的项目结构开始先跑通 FastAPI 接口再加入定时任务最后逐步增强分析和推送能力。代码不复杂但至少能把你的关心从“心里惦记”变成一条准时的消息。你的幸福就是我最大的幸福这句话放到代码里就是一张人物表、一套情感分析规则、一批定时任务以及一条不迟到的祝福。