Weclone 是一个开源的 AI数字分身 生成项目，它通过用户的微信聊天记录，对大语言模型（LLM）进行微调，从而创建一个有那味儿的"你"。
ps：Chatgpt 刚火起来的时候，我当时也有类似想法，大部分人的聊天记录都记录在微信上面，如果能直接把聊天记录拿出来训练一个大模型，岂不就能造就一个“我”？我可以用这个模型到处灌水，甚至导入到人形机器人中.
只可惜当时没有精力（\能力）做这样的事情，现在看到有同学实现了这样的项目，还是非常开心（\可恶）的！
快速开始
一、准备算力服务器
因为完整搭建一个训练环境非常复杂，新手可以使用云算力进行测试。
目前市面上很多算力平台都提供了免费试用的云服务器，一些新的小平台赠送的免费额度还挺可观的（比如趣算云、算多多、恒源云、智星文、damodel等），我这里以算多多为例。
1、注册 用以下链接注册，可以免费领取 36 小时的 4070（😁） http://www.gpuduoduo.com/console/login?shareToken=L76YLJ
2、创建实例
选择Weclone 镜像，这个镜像包含了依赖的 LLaMA Factory 库、Qwen2.5-7B 模型、CUDA等，也有常用的 jupyterlab、uv、conda、modelscope 等常用的环境。
等待实例创建成功，可以通过 SSH 或 PyJupyter 连接机器。
二、准备微调数据
1、将手机微信聊天记录迁移到电脑上
参考：zhuanlan.zhihu.com/p/647727121
2、使用PyWxDump导出聊天记录文件
PyWxDump 可将电脑上的微信聊天记录导出为文件。
1、下载安装包(只支持Windows)：
github.com/xaoyaoo/PyW…
2、解压后，打开exe应用，会自动在浏览器打开页面
3、解密数据
电脑微信要打开
4、导出聊天记录
三、数据预处理
1、将本地聊天记录 csv 文件夹复制到云算力上上 Weclone 工程的./dataset目录下
- Windows 用户
scp -P 2222 -r C:\xxx\wxdump_tmp\export\csv [root@10.114.40.10](mailto:root@10.114.40.10):/root/weclone/WeClone/dataset
将 2222 换成你的实例 ssh 端口号，xxx/csv换成本地聊天记录的文件夹目录，10.114.40.10 换成实例ssh地址
注意：如果提示找不到 scp，请在“应用和功能”里添加“OpenSSH 客户端”。（也可以下载图形客户端 winscp：winscp.net/eng/downloa…
-Mac 或 Linux 用户：
scp -P 2222 -r /xxx/csv [root@10.114.40.10](mailto:root@10.114.40.10):/root/weclone/WeClone/dataset
2、对聊天记录进行预处理
原始的聊天记录需要经过预处理才能用于模型训练。
预处理数据
source .venv/bin/activate #激活环境
weclone-cli make-dataset #在WeClone根目录下执行该命令
成功后，你会看到：
Collecting lengths: 100%|██████████████████████████████████████████| 9/9 [00:00<00:00, 370085.65it/s]
[WeClone] I | 16:07:12 | cutoff_len设置建议：
[WeClone] W | 16:07:12 | 多模态任务请务必配置cutoff_len为数据最大长度
[WeClone] I | 16:07:12 | 9 (100.00%) samples have length < 256.
[WeClone] S | 16:07:13 | 聊天记录处理成功，共9条，保存到 ./dataset/res_csv/sft/sft-my.json
(.venv) (base) root@ins-tcaiohv2xon41mtq510pgpwxu0b42duj:~/weclone/WeClone#
到这里，我们的前置工作都准备好了，可以正式开始训练（微调）大模型了
四、微调大模型
镜像里预置了 Qwen2.5-7B
可以用
modelscope下载其他模型，注意要替换一下 settings.jsonc 里的配置
保证当前仍处于虚拟环境下，开始微调
weclone-cli train-sft
工程里已经默认配置好各种参数（ ./settings.jsonc），可以按需修改，此处我介绍一些常用的：
| 参数 | 描述 |
|---|---|
| common_args 里的 model_name_or_path | 代表大模型的名称和目录 |
| common_args 里的 template | 代表大模型类型 |
| common_args 里的 use_unsloth | 是否使用 unsloth 优化 LoRA 微调，unsloth 可以提高微调速度，减少微调所需的显存⚠️如果打开这个，那么推理的时候会有报错，目前还没解决 |
更多参数设置参考：llamafactory.readthedocs.io/zh-cn/lates…
训练好的模型保存到 ./model_output 下（同样可以在设置）
五、开始玩吧
可以通过启动一个 web 服务，与你的模型对话！
weclone-cli webchat-demo
脚本会启动一个 Web 服务，一般在 7860 端口
平台已经将这个端口映射到公网了，等 Web 服务起来后，在算多多控制台的快捷应用区域打开：
接下来就可以愉快地和你的分身聊天了
六、部署到线上
你可以考虑将训练好的模型部署到常用的聊天机器人中，具体可以参考这篇文章 blog.051088.xyz/posts/weclo…
参考资料
• xming521/WeClone 从聊天记录创造数字分身的一站式解决方案[1]：项目主页，涵盖聊天记录处理、LoRA 微调、声音克隆等模块，本文主要基于项目README编写。 • 保姆级教程: blog.051088.xyz/posts/weclo…
