用 3 个环节搭一个微信 AI 助手：WeClone 部署与微调实战

用 3 个环节搭一个微信 AI 助手：WeClone 部署与微调实战

【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

想象一个画面：你发出去一条"在忙吗"，隔几秒跳回一条"在的，刚开完会"——语气、用词、连标点习惯都像你自己。回复这条消息的不是你，而是你的数字分身。WeClone 就是做这件事的开源项目：它拿你的微信聊天记录去微调（也就是用你自己的语料继续训练，让模型学会你的说话方式）ChatGLM 大模型，再把这个"克隆的你"接到微信里，当你的私人 AI 助手。

部署前需要准备什么

前置条件一句话：有 Python 3.10 环境，GPU 显存 16GB 起步（LoRA 方式微调 6B 模型的估算值；显存不足可换 8 位量化方案）。后面所有改动都发生在你自己本地克隆的项目里，仓库本身不需要动。

数字分身能接到微信里干几件事

像本人一样回消息

它能接住"你好""在吗"这类高频短句，并且用你的口吻回应，而不是客服腔。例：

你：今天加班到十点 分身：我懂，我昨天也是。

回复长度和语气都被infer_args里的max_length、temperature约束着，默认配置下就是短句、低随机性的"熟人风格"。

多轮对话不失忆

它能记住上下文，连续追问也不会突然岔开话题。例：

你：好累啊今天 分身：哈哈哈哈 你：你哈哈哈哈 分身：？ 你：困死我了 分身：我也是 你：那晚安喽 分身：安安安安安安

听懂网络梗和表情包

它不只会答正经问题，"瘦成狗了""[doge]"这类口语和表情它接得住、还会接梗。例：

你：最近瘦了没 分身：瘦成狗了 你：真的假的 分身：[doge]，真的，饿的

在真实微信里被 @ 出来

在微信里私聊它，或在群聊中 @ 它，都会走和浏览器 demo 相同的推理链路。注意它只"像你"，不会替你做决定，回复内容仍需你自己把关。

想让数字分身更像你：数据、调参与人设三步走

第一步：整理数据

用 PyWxDump 把聊天导出为 CSV，放到./data/csv目录，然后在本地克隆的项目里运行 make_dataset/csv_to_json.py 转成训练 JSON。脚本会默认滤掉手机号、邮箱等隐私字段；make_dataset/blocked_words.json 是禁用词库，整句命中即删除，可按需补充。同一个连发多句的回答有三种处理脚本可选（逗号拼接、取最长句、放进 history），按你语料的对话密度挑一个。

第二步：调参微调

在你本地的 settings.json 中改train_sft_args：per_device_train_batch_size与gradient_accumulation_steps控制单卡显存；num_train_epochs、lora_rank、lora_dropout控制学习强度。改完运行python src/train_sft.py（入口 src/train_sft.py），产出model_output里的 LoRA 权重；显存富余可加 ds_config.json 走 deepspeed 多卡。也可以先用 src/train_pt.py 做预训练阶段，但提升通常不明显，可以跳过。

第三步：设定人设

回复模板由 src/template.py 定义（chatglm3-weclone），分身"开口前"的角色设定写在这里。想让它自称什么、怎么接话，在本地克隆的这份模板里调整即可——这一步决定了同一个模型是"你"还是"陌生人"。

避坑与调优：问题→解法

• 显存不够怎么办？在本地克隆的 settings.json 中调低per_device_train_batch_size、用gradient_accumulation_steps补偿，或整体切到 8 位量化（QLoRA），6B 模型显存可从约 16GB 降到 10GB 上下。
• 回复太慢怎么提速？infer_args里max_length默认 50，是速度和长度的平衡点；追求更快就再压小，追求流畅长回复则调temperature与top_p，别一味放大。
• 回复开始复读怎么办？把repetition_penalty从默认 1.2 再抬高一点，复读通常就能压下去。
• loss 降得很低就一定是好事吗？不一定。数据只有两万条时，loss 降到 3.5 以下往往已接近过拟合，此时应减小num_train_epochs或lora_rank，而不是继续训。
• 训练效果差找谁？先查数据。项目方自己说了：最终效果很大程度取决于聊天数据的数量和质量，再花哨的参数也救不了脏数据。
• 微信会封号吗？有封号风险，且机器人账号必须已绑定银行卡。建议用小号，并遵守微信平台使用规范。

上线前自检：对照这张表逐项过一遍

以上都通过后，你的微信 AI 助手才算真正"上线"。提醒一句：个人微信跑机器人存在封号风险，务必用小号并遵守平台规范。现在可以回到终端，把 make_dataset/ 里的脚本跑一遍，开始给你的数字分身备料。

【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