Windows部署指南

• 💫 涵盖打造数字分身的全链路方案，包括聊天数据导出、预处理、模型训练、部署
• 💬 使用微信聊天记录微调LLM，让大模型有"那味儿"
• 🔗 绑定到微信、QQ、Telegram、企微、飞书机器人，实现自己的数字分身
• 🛡️ 隐私信息过滤，本地化微调部署，数据安全可控

项目默认使用Qwen2.5-7B-Instruct模型，LoRA方法对sft阶段微调，大约需要16GB显存。也可以使用LLaMA Factory支持的其他模型和方法。

需要显存的估算值：

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 . 

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.jsonc 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

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

请使用PyWxDump提取微信聊天记录（不支持4.0版本微信）。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。

• 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）。

• 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。

• (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。

weclone-cli train-sft

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

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

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

weclone-cli server

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

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

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：

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。

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

LangBot 是一个开源的接入全球多种即时通信平台的 LLM 机器人平台，适合各种场景使用。

1. 部署 LangBot
2. 在 LangBot 中添加一个机器人
3. 在模型页添加新模型，名称gpt-3.5-turbo，供应商选择 OpenAI，填写 请求 URL 为 WeClone 的地址，详细连接方式可以参考文档，API Key 任意填写。

6. 在流水线配置中选择刚才添加的模型，或修改提示词配置

• 更丰富的上下文：包括上下文对话、聊天对象信息、时间等 + 思考
• Memory 支持
• 支持多模态
• 数据增强
• 支持GUI

• 微调问题：LLaMA-Factory| FAQs | 常见问题 或者更方便的

欢迎任何 Issues/Pull Requests！

你可以通过查看Issues或帮助审核 PR（拉取请求）来贡献。对于新功能的添加，请先通过 Issue 讨论。
运行uv pip install --group dev -e .安装开发依赖。
项目使用pytest测试(测试脚本待完善)，pyright检查类型，ruff检查代码格式。