企业官网建设流程全解析

WeClone 完整指南：用微信聊天记录微调大语言模型，做出你的微信数字分身

【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 用你真实的微信聊天记录微调一个大语言模型，再把它接进微信机器人，生成一个会用你口吻回话的数字分身，私聊、群聊都自动应答。全流程拆成三幕：第一幕讲清原理与硬件，第二幕把聊天记录变成数据，第三幕训练与上线。显存门槛 16GB，核心命令都在文内。

🧠 第一幕：数字分身原理——16GB 显存微调 6B 模型

16GB 显存足够完成 6B 模型的 SFT 微调，这是整个项目唯一的硬性门槛。

原因在于微调方式。7B 模型全参数微调，16 位精度要大约 160GB 显存，消费级显卡无解；WeClone 走 LoRA 路线——冻结基座模型权重，只训练注入注意力层的一小组低秩矩阵（本项目把目标锁定在 query_key_value 上，默认秩为 4）。同样 16 位精度下，LoRA 微调 7B 模型约 16GB，QLoRA 8 位约 10GB，4 位约 6GB。显卡低于 16GB，直接切 QLoRA。

模型又是怎么学会你的说话方式的？答案在训练样本的构造里：每一条样本都是"别人问 → 你原话回"的配对，模型反复见过你的措辞、标点习惯和回复长度，语气就是这么被带出来的。

硬件过关，环境跟上。克隆仓库后建独立 conda 环境装依赖：

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

Python 3.10 是推荐版本；deepspeed、bitsandbytes、flash-attn 都是可选项，只在多卡或量化时用才装。

📦 第二幕：微信记录导出与敏感信息过滤——把聊天记录变成微调数据集

用 PyWxDump 导出微信聊天数据库，把所有联系人和群聊的 csv 文件夹统一放进 ./data/csv 目录，一个聊天对象一个文件夹。

PyWxDump 的流程：安装工具、解密数据库，然后选"聊天备份"，导出类型选 CSV，支持一次导出多个联系人或群聊。

随后跑预处理脚本：

python make_dataset/csv_to_json.py

脚本干三件事。第一，只保留你自己发出的消息：微调目标是模仿"你"的回复，你发的（is_sender=1）作为答案，对方的消息作为问题。第二，剔除含手机号、身份证号、邮箱、http 链接的消息——模型不该记住你的隐私。第三，禁用词过滤：往 make_dataset/blocked_words.json 里加词，含禁用词的整句直接丢掉。

合并策略也值得看一眼。默认脚本把同一人连发的多句用逗号接成一句话，间隔超过 1 小时就切分，图片、链接类消息充当分隔点。想保留多轮上下文而不是合并，换用 make_dataset/csv_to_json-单句多轮.py，连续的回答会放进提示词的 history 字段参与训练。

最终产物是 data/res_csv/sft/ 下 instruction/output 格式的问题-回答对 json，有效配对越多，语气越稳。

🚀 第三幕：训练、验证、上线——6B 模型微调教程到微信机器人落地

一条训练命令、一个本地页面、两条终端命令，第三幕照顺序执行即可。

一条命令完成微信记录 LoRA 微调

训练前把 chatglm3-6b 权重放进 ./chatglm3-6b 目录，准备工作就全完成了。首选从 Hugging Face 下载 ChatGLM3-6B 权重；网络不稳就用魔搭社区：训练与推理前设置环境变量 USE_MODELSCOPE_HUB=1，再用 git lfs 拉取 ZhipuAI/chatglm3-6b 权重。

全部超参数集中在 settings.json，克隆到本地后只改这一个文件，代码不动：

显存紧张就调小前两个键，数据量大就适当加轮数。

python src/train_sft.py

多卡训练：先装 deepspeed，再用deepspeed --num_gpus=2 src/train_sft.py启动（按实际卡数填），多卡分摊负载。训练好坏有参考数字：loss 降到 3.5 上下属正常，降得明显更低反而是过拟合信号。

本地页面验证口吻

运行python src/web_demo.py起本地页面，先和模型聊几轮再决定要不要上线。

看措辞、标点习惯、回复长短是否和你平时聊天一致。口吻不对，先回头调轮数和 lora_rank，别急着接微信。

两条命令上线微信数字分身

API 服务在前、机器人在后，两个终端顺序不能反：

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

第二个终端打印登录二维码，微信扫码即登录。私聊它自动回复，群聊里 @ 它也生效。对话历史由 src/wechat_bot/main.py 维护（保留 15 轮），长回复会拆成短句、每条间隔约 2 秒发出，模拟打字节奏。下图是训好的数字分身的对话实录：

⚠️ 避坑与调优清单

上线前把这份清单过一遍，每条都能省一次返工。

1. 微信机器人有封号风险。用小号跑，账号需绑定银行卡，别用日常重度聊天的主号。
2. 想让机器人换角色说话。修改 src/template.py 里的 default_prompt 系统提示词，默认是"扮演人类、不要承认自己是人工智能"。
3. 数据扩充是提升效果最直接的路。先用一两个密友的数据跑通全流程验证口吻，再逐步加人、重新训练。
4. 显存不够时。调小 per_device_train_batch_size 和 gradient_accumulation_steps；仍不够就切 QLoRA（8 位约 10GB，4 位约 6GB）。
5. 训练质量参考线。loss 3.5 上下是健康区间；网页验证口吻不对，先调轮数与 lora_rank，再考虑动数据。

现在就动手：把一个密友的聊天记录导出成 CSV 放进 data/csv，按预处理、训练、本地页面验证的顺序跑完一整圈——"像不像你"，一晚上就有答案。

【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