企业官网建设流程全解析

用你的微信聊天记录微调大语言模型：WeClone 数字分身完整教程

【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

WeClone 会拿你真实的微信聊天记录微调一个大模型，再把它接进微信机器人，从此私聊、群聊里有人用你的口吻自动回话。整个流程拆成四步：查硬件、数据变数据集、微调、部署，核心命令一只手数得过来。

🔍 16GB 显存够不够微调 6B 模型

够。默认基座模型是 chatglm3-6b，走 LoRA 路线只更新部分参数，SFT 阶段的实际显存开销落在 16GB 上下。如果你的卡显存更紧张，可以把 settings.json 里的per_device_train_batch_size和gradient_accumulation_steps调小来省显存，再不够就改用 QLoRA 量化方案。

先克隆仓库搭好环境：

git clone https://gitcode.com/GitHub_Trending/we/WeClone conda create -n weclone python=3.10 conda activate weclone cd WeClone && pip install -r requirements.txt

📦 把微信聊天记录变成微调数据集

数据质量决定效果上限，这是项目方反复强调的一句话。用 PyWxDump 工具把微信聊天日志导出成 CSV，把每个联系人或群聊的 csv 文件夹统一放进仓库的./data/csv目录下。

然后跑一次预处理脚本：

python make_dataset/csv_to_json.py

脚本会自动把手机号、身份证号、邮箱、网址这类敏感信息从数据里剔掉。想再过滤一些内容，就往 make_dataset/blocked_words.json 里加词，含禁用词的整句都会被丢掉。同一个人连回多句时默认合并成一句；想保留成多轮历史对话，就换 make_dataset/ 目录下的多轮处理脚本。

⚙️ 一条命令微调，浏览器里验证效果

训练前先下载 chatglm3-6b 权重放到./chatglm3-6b目录，Hugging Face 首选，网络不稳就用魔搭社区，并在训练和推理前设置USE_MODELSCOPE_HUB=1。批次大小、学习率、LoRA 秩、训练轮数这些参数都集中在 settings.json，克隆到本地后只改这个文件就行，代码不用动。

接着跑 SFT 微调：

python src/train_sft.py

手头有两块以上显卡的话，先装 deepspeed，再用deepspeed --num_gpus=2 src/train_sft.py跑，多卡分摊。训练完直接起本地页面聊天试试：

python src/web_demo.py

回复的语气像你，就成了。下图是训好的微信机器人和朋友聊天的实际画面：

💬 两条命令上线你的微信分身机器人

两个终端里各跑一个进程，顺序是 API 服务在前、机器人随后：

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

终端会打印登录二维码，用微信扫一下即可。私聊它、或在群里 @ 它，就开始回复，对话历史由 src/wechat_bot/main.py 负责维护。

有一件事先说清楚：微信上跑机器人有封号风险，尽量用小号，并且账号需要绑定银行卡。想让机器人换个角色说话，去 src/template.py 改默认的系统提示词。

下一步建议先拿一两个密友的聊天记录把全流程跑通，验证效果后再逐步补充更多人的数据重新训练，提升效果最直接的往往就是这一步。

【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