企业官网建设流程全解析

六步跑出会说话的微信数字分身：WeClone 完整实战教程

【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 用你的微信聊天记录微调大语言模型，再把权重挂上微信机器人，做出一个"数字分身"：从此私聊、群里 @ 它，都有人以你的口吻自动回话。全流程六步、六条核心命令，从环境搭建到机器人扫码上线，本地跑完，不用任何付费服务。先说在前头：微信上跑机器人有封号风险，请用小号；最耗时的环节是基座模型下载，其余都是命令级的工作。机器人能维护多轮对话历史，角色设定也能改。

🧮 16GB 显存够用：先确认你的机器和账号

先下判断：16GB 显存刚好够。默认基座是 chatglm3-6b，走 LoRA 只更新部分参数，SFT 阶段显存落在 16GB 上下。

显存不够有两条退路：把 settings.json 里的批次大小和梯度累积步数调小（默认 4×8）；或者换 QLoRA 量化，官方估算表里 7B 模型 QLoRA 8 位约 10GB，4 位只要 6GB。项目基于 LLaMA-Factory，想换其他模型或方法可以照它的思路扩展，模板提示词需自行调整。

软件端要 Python 3.10 加 CUDA 环境，依赖版本在 requirements.txt 里写死，一条命令装齐。资源端还要两样：chatglm3-6b 模型权重，以及一个绑定了银行卡的微信号用于机器人登录。

有一张 16GB 的卡加一个小号，就能做。

🗂️ 聊天记录导成 CSV，一个脚本洗成训练数据

数据质量决定效果上限。作者用了约 2 万条有效数据，自称效果"差强人意"，数据是整个项目里权重最大的变量。

导出：用 PyWxDump 工具解密并导出微信聊天记录，类型选 CSV，每个联系人或群聊一个文件夹，全部放进./data/csv/目录。

清洗：执行一条命令：

python make_dataset/csv_to_json.py

脚本会自动删掉含手机号、身份证号、邮箱、网址的行；想多过滤什么，就往 make_dataset/blocked_words.json 里加词，含禁用词的整句直接丢弃。同一个人连发多句默认合并成一句，想保留多轮对话历史，就改用 make_dataset/ 目录下的多轮处理脚本。跑完，训练集落在./data/res_csv/sft/下。

产出的数据读起来像你，数据这一关就及格了。

🚀 训练到上线一条闭环：训完扫码即用

第一步是环境搭建，四条命令按顺序走：

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

然后是权重：chatglm3-6b 首选 Hugging Face，网络不稳就换魔搭社区，统一放到./chatglm3-6b/目录，这正是 settings.json 里模型路径的默认值。用魔搭版的话，训练和推理前都要执行export USE_MODELSCOPE_HUB=1。

训练就一条命令：

python src/train_sft.py

有多张卡就先装 deepspeed，再用 deepspeed --num_gpus=卡数 src/train_sft.py 分摊。作者的 loss 停在 3.5 左右，掉得过低反而过拟合，盯着看。

训完立刻起本地页面试几轮：

python src/web_demo.py

回复语气像你，训练就成了；不像别急着上线，先回调优一节。

上线是两条终端各起一个进程，API 服务在前、机器人随后：

python src/api_service.py

python src/wechat_bot/main.py

终端打印二维码，微信扫码登录。私聊它、群里 @ 它就开始回话，对话历史由 src/wechat_bot/main.py 按会话维护。

朋友聊几句认不出是机器人，就成了。

🎛️ 想更像你：三个调优点

训练参数全在 settings.json，不用动代码：批次大小、学习率、LoRA 秩、训练轮数都在这里，按数据集的数量和质量调。

角色设定在 src/template.py：默认系统提示词是"请你扮演一名人类，不要说自己是人工智能"，改这一句，机器人的说话人设就换了。

根子还是数据：效果平淡先看数据量和覆盖度，补上密友的聊天记录，重跑 csv_to_json.py 清洗再重训，这一步比调任何参数都见效。

调效果，八成是数据问题，两成才是参数问题。

⚠️ 上线前必须知道的三件事：封号、隐私、成本

封号：微信对机器人行为敏感，项目 README 明确提示有封号风险，用机器人也可能违反平台规则，所以务必用小号，且该账号必须绑定银行卡。

隐私：聊天记录是高敏感数据。脚本只剔除手机号、证件号、邮箱、网址这类结构化信息，跑之前自己过一遍记录，不想进模型的话用禁用词库拦掉整句。数据全程只在本地训练，不外传。

成本：主要开销是一张 16GB 级别的显卡，推理全部本地完成，没有 API 账单。

小号试错，最坏也就是损失一个号。

🧭 下一步：用最小数据先把闭环跑起来

别贪心，一次把所有记录全扔进去。先用一位密友的聊天记录把六步走通，口吻出来后，再逐步扩人群、重训——效果提升最直接的往往就是这一步。

先跑通闭环，再谈效果。

【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