用聊天记录训练微信机器人只要20分钟WeClone数字克隆完整部署指南【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想让微信机器人用你的口吻聊天还不用从零学机器学习吗WeClone 就是一站式方案用你真实的微信聊天记录对大语言模型做微调让模型在你的数据上额外训练一轮产出一个说话习惯像你本人的数字克隆。本指南面向零背景读者把“数据 → 训练 → 部署到微信”拆成三步走不中断的话大约 20 分钟跑完。 先想清楚通用聊天机器人够用吗这一节回答的是为什么值得拿自己的记录训练一个而不是直接套现成机器人。通用模型的回复往往“正确但像你”——没有个人语气、没有私域上下文、聊几句就露出机器味。WeClone 的做法是让模型直接学你的聊天记录表达习惯、反应速度、开玩笑的方式都会被打进权重里。它还有三个工程上的省心点从记录导出到机器人上线是完整链路不用自己拼工具链手机号、身份证号、邮箱、网址这类隐私字段默认被清洗还带一份可自行扩充的禁用词表上线方式自由——浏览器页面验证、暴露成 API 接口、或绑定微信 7×24 值守按需选一个就行。✅ 动手前自检显存与依赖最低要求一览表这一步要解决的问题是碰代码之前先确认你的机器够不够线避免装完环境才发现跑不动。项目最低要求可选降配方案显存16GBChatGLM3-6B LoRA 微调换 QLoRA量化版 LoRA7B 模型压到 6~10GB显卡NVIDIA 显卡CUDA 11.6 以上—Python3.8推荐 3.10—核心依赖llmtuner 微调框架随 requirements.txt 自动装deepspeed 仅多卡时需要聊天记录至少 1 个联系人的 CSV 导出数量与质量直接决定效果这项不能降配提示LoRA 是一种省参数的微调方法原理后文“核心机制”会用一句话讲清。显存再紧张的话看“避坑清单”里第一条降配路径。自检通过后进入主线。整条流程分三个阶段备数据、训模型、接微信。阶段一微信聊天记录怎么导出并清洗本阶段解决两件事一个能跑的环境一份模型能读懂的聊天数据。先装环境按顺序执行git clone https://gitcode.com/GitHub_Trending/we/WeClone conda create -n weclone python3.10 conda activate weclone cd WeClone pip install -r requirements.txt再准备原料。用 PyWxDump 工具解密本地微信数据库把想克隆的联系人或群聊按 CSV 格式通用的文本表格格式导出把各个 csv 文件夹统一放到data/csv目录下。最后跑一次清洗脚本python make_dataset/csv_to_json.py敏感字段会自动剔除想额外过滤某些词句就加进make_dataset/blocked_words.json含禁用词的那整句会被丢弃。默认脚本会把一个人连发的多句话用逗号拼成一句回答。如果你希望这些连发消息保留成多轮历史而不是拼成一句把上面的命令换成同目录的make_dataset/csv_to_json-单句多轮.py即可其余步骤不变。数据就绪后接下来要“请老师”——下载基座模型。阶段二单卡微调模型settings.json 改两处就够本阶段解决核心问题让基座模型学会你的语气。先拿到 ChatGLM3-6B 基座模型单文件超过 10GB下载耗时看网络Hugging Face 官方源优先国内线路不稳就切魔搭社区镜像。然后先确认再执行——你只需要看 settings.json 里的两处per_device_train_batch_size每次喂给模型的样本数与gradient_accumulation_steps显存报 OOM 就把前者降到 1num_train_epochs数据完整过几遍与lora_rank数据量少就别加轮数防止过拟合。启动训练python src/train_sft.pyloss训练损失值越小代表模型越“像”你的数据降到 3.5 附近就可以停再往下掉多半是过拟合而不是变好。有两块以上显卡时不用改任何配置pip install deepspeed后用deepspeed --num_gpus2 src/train_sft.py并行即可。训练完成最后一阶段是把它接上微信。 阶段三启动 API 服务并接入微信账号本阶段解决最后一公里把只会算的模型接到你能用的微信账号上。先启动推理服务保持该终端不关python src/api_service.py另开一个终端可以先跑python src/test_model.py用几组常见问题快测确认模型状态没问题再连微信。确认无误后启动机器人python src/wechat_bot/main.py终端会显示二维码微信扫码登录即可。之后私聊消息自动回复群聊里只在被 时触发。逻辑写在 src/wechat_bot/main.py 里每位用户最多保留 15 轮历史记忆聊久了也不会丢上下文。暂时不想碰微信的话跑python src/web_demo.py开一个浏览器页面直接对话也能完整验证效果。 核心机制LoRA 微调为什么 16GB 显存就够本节用一句话讲清“16GB 够不够”的疑问方便你之后敢自己动参数。LoRA 不改动基座模型本体——好比不做全屋装修只在原墙上贴一层可拆的薄膜主权重全部冻结只训练一组低秩小参数称为 adapter可理解为“风格补丁”。6B 量级因此约 16GB 显存就能微调而同样规模的全参数微调要 160GB练好的“薄膜”还能原样贴到别的基座模型上。⚠️ 避坑清单封号风险与常见卡点这份清单上线前通读一遍提前知道哪几步有代价。封号风险是真实的主账号别碰微信对非官方接口的机器人有限制务必用备用小号测试且当前方案要求账号已绑定银行卡才能登录。数据定上限作者用约 2 万条清洗后的记录自评效果“差强人意”。效果不满意时先加数据、先改清洗规则最后才谈参数。训练前抽查清洗结果脚本默认剔除手机号、证件号等但建议翻一遍data/res_csv确认没有你不想扩散的信息。loss 不必追到最低降到 3.5 附近即可停继续掉大概率是过拟合——模型背住了样本换个新话题就答不上来。显存不够先调批量把per_device_train_batch_size降到 1或整体切 QLoRA7B 模型可压进 6~10GB。基座模型下载别反复强杀线路慢就换镜像源10GB 级的下载本来就是慢过程反复重连更慢。收尾下一步与调优方向下一步动作用备用小号先跑python src/test_model.py验证能正常对话通过后再正式接入微信机器人。提醒一句第一次训练只是基线——效果不够“像你”时调优优先级是数据数量、真实性、清洗规则不是训练脚本。【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创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考