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

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。

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 python=3.10 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 1；
• num_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.py

loss（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_gpus=2 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 QLoRA，7B 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