最近一个叫 Weclon 的开源项目火了，

短短几天就在 GitHub 拿下 7K Star，但是争议极大。

一句话介绍：它可以用你的微信聊天记录，训练出一个“数字替身”。

你可以自己和自己聊天会是什么样子的？还可以捏造一个克隆的 crush。

它能模仿你的语气、用词，甚至是聊天的思维方式，

连语音都能克隆，用的是 Spark TTS 模型。你还可以设置敏感词过滤，防止 AI 胡说八道，

训练完成后，这个替身还能接入各种社交平台，帮你自动回消息。

但也正因为如此，很多人担心隐私泄露——聊天记录一旦被滥用，风险极高。

不过如果用得好，场景也很强。比如企业可以拿销冠话术进行训练，就能克隆多个销冠，直接零成本提升业绩。

项目指路： github.com/xming521/wec

下面是手把手带你安装部署使用这个神器。

环境搭建

1.cuda安装(已安装可跳过)

2.建议使用 uv安装依赖。安装uv后，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

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setting.jsonc,后续配置修改在此文件进行：

cp settings.template.jsonc settings.jsonc

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

模型下载

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

下载有问题使用其他方式下载：模型的下载

数据准备

运用 PyWxDump 提取微信聊天记录（4.0版本微信暂不支持）。建议先将手机的聊天记录备份至电脑。

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）。

随后将导出的位于wxdump_tmp/export的csv文件夹放在./dataset目录，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

这个项目默认会把数据里的手机号、身份证号、邮箱地址、网址这些敏感信息自动清理掉。

另外在settings.jsonc配置文件里还内置了一个屏蔽词库blocked_words，你要是想屏蔽其他内容，可以自己往里面加想屏蔽的关键词或句子（系统会自动把带这些屏蔽词的整句话都过滤掉）

执行下面的命令对数据进行处理，当然也可以根据聊天风格改动settings.jsonc的make_dataset_args。

weclone-cli make-dataset

现在系统暂时还只能靠时间窗口来管理消息。具体来说：要是同一个人连续发消息，只要间隔在single_combine_time_window这个时间段内，系统就会自动用逗号把它们连成完整的一句话；
而qa_match_time_window这个参数专门用来配对问题和答案（比如用户提问和AI回答之间的时间差不超过这个数值才会被判定为有效问答对）。
咱们可以打开clean_dataset里的enable_clean开关，先给数据做个大扫除，这样效果会更好。现在流程是这样的：用llm judge当评分员给聊天记录打质量分（就是让AI自己判断对话质量），然后用vllm搞离线推理。
等看到评分分布直方图之后，调accept_score这个门槛值把达标分数线定好，最后再稍微调低train_sft_args里的lora_dropout参数，让模型更容易学到位。

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_ste-ps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_ep-ochs、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setting.jsons中deepseed

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

咱们可以先试不同参数组合，调好温度和top_p这两个数值。等找到最合适的配置之后，直接把参数填到settings.jsonc的infer_args里存好，这样后面正式跑模型的时候就能直接用啦！

weclone-cli webchat-demo

使用接口进行推理

weclone-cli server

部署到聊天机器人

AstrBot 是一个多平台 LLM 聊天机器人及开发框架，支持的平台有 QQ、QQ频道、Telegram、微信、企微、飞书。

使用步骤：

1.部署 AstrBot

2.在 AstrBot 中部署消息平台

3.执行weclone-cli server启动api服务

4.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

5.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。

6.根据微调时使用的default_system，在 AstrBot 中设置系统提示词。

检查api_service的日志，尽量保证大模型服务请求的参数和微调时一致，tool 插件能力都关掉。

7. 调整采样参数，例如temperature、top_p、top_k等配置自定义的模型 参数。

部署需谨慎，大家量力而行，被技术拦住，但是有相关商业需求直接戳我，直接为您定制服务，如何找到我们

晨羽智云—零成本使用AI技术​www.chenyu.cn/console/shop