一、WeClone 是什么？

WeClone 是一款开源项目，旨在通过分析用户的微信聊天记录和语音数据，训练出高度个性化的 AI 数字分身。它能模仿用户的语言风格、表情习惯甚至语音语调，并支持部署到微信、QQ、飞书等社交平台，实现自动化互动。

核心目标：探索“数字永生”可能性，同时为个人和企业提供低门槛的个性化 AI 代理工具。

二、核心功能与亮点

个性化对话克隆

数据来源：微信聊天记录（通过 PyWxDump 工具导出 CSV 文件），自动处理成问答对格式并过滤敏感信息（如手机号、身份证号）。

模型训练：基于 Qwen2.5-7B、ChatGLM3-6B 等大语言模型，采用 LoRA 微调技术，仅需 16GB 显存即可训练出拟真对话风格。

场景适配：根据对话上下文调整回复，例如在社群运营中自动回复常见问题或模仿用户幽默语气。

高精度语音克隆（WeClone-Audio）

使用 0.5B 参数的轻量级模型（如 Spark-TTS），仅需 5 秒语音样本即可复刻用户声音，支持情感迁移（如生气、开心）和方言模仿。显存需求低至 4GB，适合个人用户快速部署。

多平台部署与扩展

支持微信、QQ、Telegram、飞书等平台，通过 AstrBot 框架 实现自动化消息回。提供 Docker 容器化部署和 API 接口，方便开发者集成到企业系统（如客服机器人）。

三、技术实现路径

数据准备

使用 PyWxDump 解密微信数据库并导出聊天记录，按时间窗口策略合并连续消息，生成训练数据集。内置禁用词库（blocked_words），可自定义过滤敏感内容。

模型训练优化

显存控制：QLoRA 量化技术可将 7B 模型训练显存需求降至 4GB，14B 模型仅需 12GB。

分布式训练：支持多卡并行（DeepSpeed 框架），提升大规模数据训练效率。

部署与交互

本地部署：通过 web_demo.py 启动交互式网页端测试。

云端扩展：支持 OpenAI 兼容 API，可对接企业级聊天机器人平台。

四、硬件要求与成本

模型规模	微调方法	显存需求	适用场景
7B	LoRA	16GB	个人数字分身
14B	QLoRA 4-bit	12GB	高精度企业客服
70B	DeepSpeed	160GB	科研级深度克隆

开源地址与资源

GitHub 仓库：https://github.com/xming521/WeClone
配套工具 PyWxDump：https://github.com/xaoyaoo/PyWxDump

环境搭建

1.cuda安装(已安装可跳过，要求版本12.4及以上)：LLaMA Factory

2.建议使用 uv安装依赖，这是一个非常快速的 Python 环境管理器。安装uv后，您可以使用以下命令创建一个新的Python环境并安装依赖项，注意这不包含音频克隆功能的依赖：

git clone https://github.com/xming521/WeClone.git
cd WeClone
uv venv .venv --python=3.10
source .venv/bin/activate # windows下执行 .venv\Scripts\activate
uv pip install --group main -e .

Tip

如果要使用最新的模型进行微调，需要手动安装最新版LLaMA Factory：uv pip install --upgrade git+
https://github.com/hiyouga/LLaMA-Factory.git,同时其他依赖版本也可能需要修改，例如vllm pytorch transforms

3.将配置文件模板复制一份并重命名为settings.jsonc，后续配置修改在此文件进行：

cp settings.template.json settings.jsonc

Note

训练以及推理相关配置统一在文件settings.jsonc

4.使用以下命令测试CUDA环境是否正确配置并可被PyTorch识别，Mac不需要：

python -c "import torch; print('CUDA是否可用:', torch.cuda.is_available());"

5.（可选）安装FlashAttention，加速训练和推理：uv pip install flash-attn --no-build-isolation

数据准备

请使用PyWxDump提取微信聊天记录。可以先将手机的聊天记录迁移（备份）到电脑，数据量更多一些。下载软件并解密数据库后，点击聊天备份，导出类型为CSV，可以导出多个联系人（不建议使用群聊记录），然后将导出的位于wxdump_tmp/export 的 csv 文件夹放在./dataset目录即可，也就是不同人聊天记录的文件夹一起放在 ./dataset/csv。

数据预处理

项目默认去除了数据中的手机号、身份证号、邮箱、网址。还在settings.jsonc中提供了一个禁用词词库blocked_words，可以自行添加需要过滤的词句（会默认去掉包括禁用词的整句）。

Important

请一定注意保护个人隐私，不要泄露个人信息！

执行以下命令对数据进行处理，可以根据自己的聊天风格修改settings.jsonc的make_dataset_args。

weclone-cli make-dataset

目前仅支持时间窗口策略，根据single_combine_time_window将单人连续消息通过逗号连接合并为一句，根据qa_match_time_window匹配问答对。
可以启用clean_dataset中的enable_clean选项，对数据进行清洗，以达到更好效果。当前使用llm judge对聊天记录进行打分，使用vllm进行离线推理。在得到llm打分分数分布情况后，调整accept_score选择可以接受的分数，再适当降低train_sft_args的lora_dropout参数提升拟合效果。

模型下载

git lfs install
git clone https://www.modelscope.cn/Qwen/Qwen2.5-7B-Instruct.git

配置参数并微调模型

(可选)修改 settings.jsonc 的 model_name_or_path 和 template 选择本地下载好的其他模型。
修改per_device_train_batch_size以及gradient_accumulation_steps来调整显存占用。
可以根据自己数据集的数量和质量修改train_sft_args的num_train_epochs、lora_rank、lora_dropout等参数。

单卡训练

weclone-cli train-sft

多卡环境单卡训练，需要先执行 export CUDA_VISIBLE_DEVICES=0

多卡训练

取消settings.jsonc中deepspeed行代码注释，使用以下命令多卡训练：

uv pip install deepspeed
deepspeed --num_gpus=使用显卡数量 weclone/train/train_sft.py

使用浏览器demo简单推理

可以在这一步测试出合适的temperature、top_p值，修改settings.jsonc的infer_args后，供后续推理时使用。

weclone-cli webchat-demo

使用接口进行推理

weclone-cli server

使用常见聊天问题测试

不包含询问个人信息的问题，仅有日常聊天。测试结果在test_result-my.txt。

weclone-cli server
weclone-cli test-model

微调效果

使用Qwen2.5-14B-Instruct模型，大概3万条处理后的有效数据，loss降到了3.5左右的效果。

截图

部署到聊天机器人

AstrBot 是易上手的多平台 LLM 聊天机器人及开发框架平台支持 QQ、QQ频道、Telegram、微信、企微、飞书。

使用步骤：

部署 AstrBot
在 AstrBot 中部署消息平台
执行 weclone-cli server 启动api服务
在 AstrBot 中新增服务提供商，类型选择OpenAI，API Base URL 根据AstrBot部署方式填写（例如docker部署可能为http://172.17.0.1:8005/v1），模型填写gpt-3.5-turbo,API Key随意填写一个
微调后不支持工具调用，请先关掉默认的工具，消息平台发送指令： /tool off all，否则会没有微调后的效果。
根据微调时使用的default_system，在 AstrBot 中设置系统提示词。