「微信克隆人」火了！

1. 数据导出与预处理

WeClone 首先将微信导出的 CSV/SQLite 文件转为标准的 JSON 文件。 然后进行文本清洗，主要是为了去除噪声，以及过滤掉敏感信息。最后分割对话信息，对聊天记录进行分段标注，并保留时间戳、

2. 模型微调

WeClone 使用 ChatGLM3-6B 为基础模型，基于 LoRA 框架进行 SFT（Supervised Fine-Tuning）阶段的微调。

3. 模型部署

WeClone 使用 FastAPI/Flask 打包微调后的模型，支持 GPU/CPU 混合部署、多平台登录，并且支持自定义参数。

核心模块介绍

WeClone数字分身系统采用三大核心技术模块构建完整链路：

数据处理管道 → 智能微调引擎 → 灵活部署框架

让我们深入了解各模块的技术特色：

1. 智能数据处理管道

2. 高效微调引擎

以ChatGLM3-6B作为基座模型，采用LoRA（Low-Rank Adaptation）技术栈进行监督微调优化。

核心技术优势：

参数高效微调：利用低秩矩阵分解，大幅降低可训练参数规模

弹性训练架构：无缝支持单机到分布式的扩展，多GPU并行加速训练过程

：利用低秩矩阵分解，大幅降低可训练参数规模

：无缝支持单机到分布式的扩展，多GPU并行加速训练过程

3. 多元化部署框架

基于FastAPI/Flask构建轻量级模型服务，实现GPU/CPU异构计算的智能调度。提供跨平台统一接入能力，支持灵活的参数定制化配置，满足不同场景的部署需求。

安装部署教程1.环境搭建

建议使用 uv ，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xcodec（音频克隆）功能的依赖：

git clonehttps://github.com/xming521/WeClone.git

cdWeClone

uv venv .venv --python=3.9

source.venv/bin/activate

uv pip install --group main -e .

Note

训练以及推理相关配置统一在文件 settings.json。

2.数据准备

请使用 PyWxDump 提取微信聊天记录。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或群聊，然后将导出的位于 wxdump_tmp/export的 csv 文件夹放在 ./data目录即可，也就是不同人聊天记录的文件夹一起放在 ./data/csv。 示例数据位于 data/example_chat.csv。

3.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）。 执行 ./make_dataset/csv_to_json.py脚本对数据进行处理。

在同一人连续回答多句的情况下，有三种处理方式：

4.模型下载

首选在 Hugging Face 下载 ChatGLM3 模型。如果在 Hugging Face 模型的下载中遇到了问题，可以通过下述方法使用魔搭社区，后续训练推理都需要先执行 export USE_MODELSCOPE_HUB=1来使用魔搭社区的模型。

由于模型较大，下载过程比较漫长请耐心等待。

exportUSE_MODELSCOPE_HUB=1 # Windows 使用 `set USE_MODELSCOPE_HUB=1`

git lfs install

git clonehttps://www.modelscope.cn/ZhipuAI/chatglm3-6b.git

魔搭社区的 modeling_chatglm.py文件需要更换为 Hugging Face 的。

5.配置参数并微调模型

(可选) 修改 settings.json 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num_train_epochs、lora_rank、lora_dropout等参数。

(可选) 修改 settings.json 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num_train_epochs、lora_rank、lora_dropout等参数。

运行 src/train_sft.py进行sft阶段微调，本人loss只降到了3.5左右，降低过多可能会过拟合，我使用了大概2万条整合后的有效数据。

python src/train_sft.py

7.多卡训练uv pip install deepspeed

deepspeed --num_gpus=使用显卡数量 src/train_sft.py

8.使用浏览器demo简单推理python ./src/web_demo.py

9.使用接口进行推理python ./src/api_service.py

10.使用常见聊天问题测试python ./src/api_service.py

python ./src/test_model.py

听过以上的解释后，你对微信克隆项目有什么真正的想法了吗！

无论是想要设计一个独特的角色形象，亦或是创造一个充满想象力的助理，这个微信克隆人工具都能帮你实现。

别再犹豫了，赶快按照以上的流程做一做吧，相信我，当你看到自己的想法变成现实的那一刻，你一定会被深深吸引。

快去体验吧！返回搜狐，查看更多