企业官网建设流程全解析

WeClone：用你的微信聊天记录微调出数字分身，30分钟搭出能回话的API

【免费下载链接】WeClone🚀 One-stop solution for creating your AI twin from chat history 💡 Fine-tune LLMs with your chat logs to capture your unique style, then bind to a chatbot to bring your digital self to life.项目地址: https://gitcode.com/GitHub_Trending/we/WeClone

把你自己的微信聊天记录导出来，WeClone 能在 30 分钟里给你搭一个数字分身。它用你的数据微调大语言模型（用你自己的数据训练现成模型），得到一个和你说话很像的 AI。接到微信上替你回消息，或包装成 API 给别人调用。

💡 它能帮你做什么

• 训练你的“AI 分身”：把聊天记录喂给模型，它会学你的说话风格、语气和应答习惯。
• 替你在微信里回话：模型接到微信账号上，私聊、群聊@它都会自动回复。
• 提供对话 API：训练完起一条命令，模型就能变成任何程序都能调的服务（API：把能力包成接口）。
• 多种姿势体验：命令行里直接聊、网页上预览、接口里调用。

🚀 30分钟从零到能跑

第 1 步：拿到代码。没有 Python 3.8 以上环境就先装一个，打开终端执行：

git clone https://gitcode.com/GitHub_Trending/we/WeClone cd WeClone

第 2 步：装依赖。微调框架和微信接口都写在 requirements.txt 里，一条命令装齐：

pip install -r requirements.txt

第 3 步：准备聊天记录。把微信会话导出成 CSV 放进 data/ 目录，再执行转换脚本：

python make_dataset/csv_to_json.py

多轮数据可改用 csv_to_json-单句多轮.py 处理。

💬 三种玩法试用数字分身

先执行python src/train_sft.py完成监督微调（照着数据学答题），跑完就能用下面三种方式体验。

命令行里聊两句

执行这条命令：

python src/cli_demo.py

启动后直接输入问题，模型会逐句作答。输入exit退出，clear清空对话历史。

接到微信上替你回话

先启动 API 服务，再跑机器人：

python src/api_service.py python src/wechat_bot/main.py

终端会显示二维码，用微信扫码登录，这个账号私聊、群聊里被@都会自动回复。

在网页里预览数字分身

执行这条命令：

python src/web_demo.py

浏览器打开一个网页聊天界面，直接看数字分身的说话风格。想快速验收，跑一下python src/test_model.py。

⚙️ 想微调得更好：训练和配置可调项

只想用默认配置就跳过这节；想折腾再看这里。

• 底座模型是 ChatGLM3-6b，LoRA 微调（轻量微调方法）大约要 16GB 显存。
• 训练和推理参数都集中在 settings.json，多卡训练配合 ds_config.json。
• 训练入口：监督微调 src/train_sft.py，预训练 src/train_pt.py。
• 数据处理脚本都在 make_dataset/ 目录里。

📌 用之前记住这几件事

• 聊天记录是个人隐私，只导你愿意公开的会话，文件放好；流程默认会去掉手机号、身份证号、邮箱、网址。
• 微信登录有封号风险，用小号，且账号要绑定过银行卡。
• 响应慢先关占用资源的程序，或调小 settings.json 里的批量参数。
• 数据里有效消息太少，效果有限，聊天量越大、质量越好，风格越像你。

跑通之后，你的微信就多了一个 24 小时在线的分身，消息不用你亲自回。

【免费下载链接】WeClone🚀 One-stop solution for creating your AI twin from chat history 💡 Fine-tune LLMs with your chat logs to capture your unique style, then bind to a chatbot to bring your digital self to life.项目地址: https://gitcode.com/GitHub_Trending/we/WeClone