WeClone：用聊天记录，训一个说话像你的人
2026-10-27 · 关于 WeClone
想用微信聊天记录训一个说话像你的模型，WeClone 曾经是最直接的一条路。现在它的数据源表格里没有微信。
WeClone 做的是用聊天记录微调一个模型，让它回话像你。仓库现在 18,332 颗星（截至 10 月 27 日），AGPL-3.0，Python，2024 年 1 月建仓。
换数据源
它最早是微信项目。2025 年 4 月的 v0.1.2 README 里，数据准备写的是用 PyWxDump 提取微信聊天记录，导成 CSV，放进 ./data/csv；部署那节还留着 itchat 方案，标着已弃用。
2025 年 4 月 30 日，微信安全中心发了一篇打击违规获取微信数据的公告。公告点名了一类第三方工具。它们以「AI 管理用户微信聊天记录」等名义，绕过微信的安全措施。公告里还有一句提醒，不要安装或使用任何访问本地聊天记录的第三方工具。
2025 年 7 月 16 日，WeClone 的提交记录里多了一条 remove wechat，提交号 785ad1472a。现在的数据源表格里，Telegram 那一行全是勾，微信不在表里。名字还叫 WeClone，免责声明里也还挂着那篇公告的链接。
部署表里，个人微信那一格还是勾，括号里写着 openclaw-weixin——腾讯自己维护的 OpenClaw 微信通道插件，扫码登录，收发消息。数据源是拿什么训练，部署是把模型接到哪个聊天入口。个人微信能接，但微信聊天记录导不进来。
微信打击的是读本地聊天记录这条路，发消息的机器人通道还开着。
官方支持的数据源里，只有 Telegram 是通的。用 Telegram Desktop 导出 JSON，把 ChatExport_* 文件夹放进 ./dataset/telegram，在配置里填自己的 user id，然后跑 weclone-cli make-dataset。
图片走 media_dir，训练多模态模型时换另一份配置模板。
预处理先过 Presidio，过滤电话号码、邮箱、信用卡和 IP；地理位置、身份证号也在范围里。配置里还有 blocked_words，命中整句删掉。README 自己写着，过滤不能保证 100%。
默认存储模式是加密的，密钥在 .weclone/ 目录里。忘了密码，旧密文解不开；加密模式也不支持分布式训练。
训模型
数据会被切成问答对。同一个人连着发的话，2 分钟内合成一句；一问一答，5 分钟内配成一对。模型学的是你怎么回别人：你的话是答案，对方的话是问题。落到训练数据里，你发出去的话进 assistant，对方发来的话进 user。
默认模型是 Qwen2.5-7B-Instruct，LoRA 微调，大约 16GB 显存；4-bit 的 QLoRA 降到 6GB。14B 的 LoRA 要 32GB，4-bit 的 QLoRA 要 12GB。README 也写了，7B 效果一般，14B 及以上会更好。想先看效果，README 里说社群里有一个部署好的 Qwen2.5VL 32B Bot。
LoRA 只改一小部分参数，训练出来的 adapter 放在 ./model_output，基础模型不动。
配置模板里的默认 system prompt 是：「请你扮演一名人类，不要说自己是人工智能。」
它学的是说话方式。路线图里 Memory 支持那一项还没打勾，模型本身不带长期记忆；聊天框架给多少上下文，它就有多少。
训练完可以先跑 weclone-cli webchat-demo，在浏览器里聊几轮，看 temperature 和 top_p 合不合适；不合适再改 settings.jsonc。
起好服务后，weclone-cli test-model 会跑一份日常聊天测试集。测试集里不含问个人信息的问题，结果写到 test_result-my.txt。
审画像
画像流水线把聊天记录整理成一份画像，里面是一条条事实，比如你做什么工作、养没养宠物。weclone-cli build-profile 做四件事：整理聊天样本，抽画像事实，分类归纳，组织成一份画像。结果落在 dataset/res_csv/agent/profile_runs/。
weclone-cli server 会启动一个网页服务，用来查看和审核画像。每条抽出来的事实是一张卡片，可以采纳、不采纳、编辑；卡片下面列着来源条数，点「查看原文」能翻回对应的聊天记录。未采纳和改过的版本都有记录。
这条链路里，我最看重的是「查看原文」。画像抽得准不准，不用信模型，翻回聊天记录看一眼就知道。
build-profile 默认只抽画像，加 --with-events 会同时抽事件：画像记你的属性，事件记发生过的事。画像抽取默认走 Codex，也可以换成 API；跑画像要花 token，花多少取决于聊天记录的量和你选的模型。预算有限时，官方建议只抽画像，不抽事件。
接聊天机器人
训练完，weclone-cli server --inference --port 8005 起一个 OpenAI 兼容接口。AstrBot、LangBot 都能接，模型名填 gpt-3.5-turbo，API key 随便填。这两个都是开源的多平台机器人框架，WeClone 只负责模型那一层。
微调后的模型不支持工具调用，接的时候要把默认工具关掉，否则出来的不是微调后的效果。
接个人微信走 openclaw-weixin；Telegram、Discord、Slack 也在部署表里。
仓库里还有一个 weclone-cloud 子目录，走的是另一条路——它默认走 API：给聊天记录打分，取高分样本总结成人设提示词，再起一个代理；也留了一个导出 JSONL 去云端微调的接口。
它的 README 写得很清楚：persona 只是提示词模仿，不改权重，稳定性不如微调。weclone-cloud 的微信落地另走 WeChatPadPro，文档自己标了封号风险，只建议小号自用。
选路线
| 路线 | 像你的依据 | 代价 |
|---|---|---|
| weclone-cloud | 你的聊天记录总结成提示词 | API，不改权重 |
| WeClone 原生 | 你的聊天记录做 LoRA | 16GB 显存（7B） |
它能帮到的，是让一个聊天机器人用你的口气回话。陪聊、群里的自动回复、自己的小号都能用；业务知识得由聊天框架另外喂，模型本身只学说话方式。
想让机器人回话像你，走最后一行；只想先看看聊天记录能抽出什么画像，跑 build-profile 就够，不用碰显卡。
原生这条路，三条主命令按顺序跑完——装环境另算。README 要求 Python 3.12、CUDA 12.6 以上，Windows 建议用 WSL。你得有一份愿意交出去的聊天记录，还得有一台能跑 7B 的机器。README 只说数据越多、质量越好，效果越好，没给最少条数。训练默认跑 2 个 epoch；跑完要多久，取决于显卡和数据量。
数据得是 Telegram 的；Telegram 的群聊记录，项目也不建议用。语音、视频、链接、引用、文件都不支持，动画表情会转成 emoji。图片可以，但要走多模态模型。
Presidio 能匹配常见的号码和地址，匹配不全；blocked_words 靠你自己列。
加密只保护落盘的文件，原始聊天导出还在你手里。用别人的聊天记录，项目自己的免责声明里写着，要先取得对方同意。模型输出不代表真实人物的观点，可能不准确；项目自己说，生产环境风险较大，只建议学习、研究和实验。
weclone-cli make-dataset
weclone-cli train-sft
weclone-cli server --inference --port 8005build-profile 是可选的；想做画像，在 make-dataset 之后跑一下，不做也能直接 train-sft。
如果只有一台普通电脑，weclone-cloud 够用；有 16GB 显存和一份 Telegram 聊天记录，再走原生微调。README 的使用建议里写着，使用这个数字分身时建议标明是 AI Bot；配置模板里的默认提示词，写的却是「不要说自己是人工智能」。
GitHub https://github.com/xming521/WeClone
文档 https://docs.weclone.love/