企业官网建设流程全解析

WeClone 微信数字分身完整指南：用你的聊天记录微调大语言模型，打造能聊天的微信机器人

【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 把真实微信聊天记录变成微调数据集，训练出一个懂你口吻的大语言模型数字分身，再接进微信自动回话。全文分五个阶段：环境准备 → 数据加工 → SFT 微调 → 微信上线 → 调优避坑，按顺序执行即可从零跑通。

🛠️ 阶段一｜环境准备：确认显存门槛，搭好训练环境

先回答显存问题：16GB 显存做 6B 大模型微调，够。默认基座是 chatglm3-6b，SFT 阶段走 LoRA 路线——LoRA 是一种只训练模型一小部分参数、其余权重全部冻结的微调方法，所以显存开销被压到了 16GB 上下，普通消费级显卡就能覆盖。

显存紧张时的调参方向，两个旋钮都写在 settings.json 里：

• 优先调小per_device_train_batch_size和gradient_accumulation_steps，直接降低单次前向的显存占用；
• 还放不下就改走 QLoRA：把权重量化到 8bit 或 4bit 再训练，6B 模型的需求能压到 10GB 以下。

下面这组命令克隆仓库并搭建 conda 环境，复制即可执行：

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

📥 阶段二｜数据加工：把微信聊天记录变成微调数据集

数据是效果的地基，这一步做的就是聊天记录微调的数据准备。先用 PyWxDump 工具解密微信本地数据库，选择"聊天备份"并以 CSV 格式导出。每个联系人或群聊对应一个 csv 文件夹，把它们统一放进仓库的./data/csv目录下，例如：

./data/csv/某好友/xxx.csv ./data/csv/某群聊/xxx.csv

数据集预处理脚本一条命令跑完，内置了脱敏逻辑：

python make_dataset/csv_to_json.py

脚本会自动剔除手机号、身份证号、邮箱、网址等敏感信息。想额外过滤某些话题，往 make_dataset/blocked_words.json 里加词就行，包含禁用词的整句会被直接丢弃。

同一个人连续回复多句时有两种处理方式，看你的需求二选一：

• 默认脚本csv_to_json.py：把连续多句用逗号合并成一条回答，适合大多数场景；
• make_dataset/csv_to_json-单句多轮.py：保留成多轮历史对话，写入提示词的 history 字段，适合想让模型学习上下文衔接能力的场景。

🧠 阶段三｜SFT 微调：训练模型并本地验证效果

训练前先备好基座权重：从 Hugging Face 下载 chatglm3-6b，解压放到仓库根目录的./chatglm3-6b文件夹。网络不稳可改从魔搭社区拉取，并在训练、推理前执行export USE_MODELSCOPE_HUB=1（Windows 用set）。

批次大小、学习率、LoRA 秩（lora_rank）、训练轮数（num_train_epochs）这些超参数全部集中在 settings.json 里，克隆到本地后只改这一个 JSON，代码零改动。

单卡启动 SFT 微调：

python src/train_sft.py

训练过程中 loss 降到 3.5 左右是常见水平，压得过低反而可能是过拟合，别盲目追求低 loss。

多卡不是必须，单卡就能完成；有两块以上显卡再考虑可选方案：装好 deepspeed 后执行deepspeed --num_gpus=2 src/train_sft.py（数字换成你的显卡数量），用多卡分摊训练压力。

训练完先别急着上线，起一个本地页面自测效果：

python src/web_demo.py

浏览器打开后随便聊几句，看回复的语气、口头禅是不是你的风格。下图是微调后的微信数字分身机器人实际对话效果：

🚀 阶段四｜上线部署：让数字分身接入微信机器人

上线需要两个进程，顺序不能反：先起 API 服务，再启动机器人，分别开两个终端执行：

python src/api_service.py # 终端 1：先启动 API 服务 python src/wechat_bot/main.py # 终端 2：再启动微信机器人

机器人进程启动后，终端会打印登录二维码，用要绑定的微信号扫一下即完成登录。之后私聊它，或在群里 @ 它，它就会用你的口吻回复。多轮对话的上下文由 src/wechat_bot/main.py 负责维护，聊天过程中它能记住近期上下文，不会一句话就"失忆"。

🔧 阶段五｜调优与避坑：把分身调得更像你

数据质量决定效果上限。这是项目方反复强调的一句话：最终效果很大程度取决于聊天数据的数量和质量。数据少、话题单一，分身只能说差强人意；数据丰富、风格鲜明，效果才会接近本人。想提升效果，最直接的往往不是调参，而是把数据喂得更全。

封号风险，统一在这里说清楚。在微信上跑机器人存在封号风险，建议专门准备一个小号来跑，并且账号必须绑定银行卡，否则无法使用。主力号不要碰。

想换人设，改系统提示词。默认的系统提示词在 src/template.py 里，想让分身以更正式、更冷淡或其他角色说话，直接修改这个文件即可。

三步行动清单：

1. 先拿一两位密友的聊天记录把全流程跑通：环境 → 数据集 → SFT → 本地自测，这一轮不求量、求快；
2. 验证效果：在 web_demo 和微信私聊里各测十几轮，语气像就继续，不像就回头检查数据构成和settings.json里的训练参数；
3. 逐步补充更多联系人的聊天记录并重新训练，用增量数据把分身的表达习惯喂得更全，效果会明显上一个台阶。

【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