从AI助手到个性化数字分身:WeClone & Second Me打造本地化、私有化的个性化AI代理系统

简介: 从AI助手到个性化数字分身:WeClone & Second Me打造本地化、私有化的个性化AI代理系统

1.WeClone

在这里插入图片描述

随着大语言模型(LLM)和语音合成技术的快速发展,个性化AI代理的实现变得愈发可行。近期,一个名为 WeClone 的开源项目引起了开发者社区的关注。该项目旨在通过用户的微信聊天记录,训练出一个高度个性化的对话模型,从而实现“数字版的你”,在一定程度上探索“数字永生”的可能性。

具体功能

  • 支持从微信导出聊天记录,并自动处理成问答格式
  • 基于LoRA方法、微调Qwen2.5-7B等模型,让LLM说话更像你
  • 还能克隆语音,基于0.5B模型重现你的语气语调(配套子项目:WeClone-audio)
  • 可部署到微信/QQ/飞书/企微等多平台,实现聊天式交互

项目链接:https://github.com/xming521/WeClone

WeClone 的核心流程包括数据采集、预处理、模型微调与部署应用四大模块。首先,项目支持从微信导出的原始聊天记录中提取结构化数据,并自动转换为问答对(QA Pair)格式,便于后续监督式微调使用。这一过程采用了正则表达式匹配与时序分析技术,确保上下文逻辑的连贯性。

在模型层面,WeClone 采用基于 LoRA(Low-Rank Adaptation)的参数高效微调方法,在 Qwen2.5-7B 等大语言模型基础上进行适配。LoRA 能够显著降低训练成本与资源消耗,使得用户仅需少量高质量对话样本即可实现较好的拟人效果。此外,项目配套子模块 WeClone-audio 基于轻量级 Tacotron 或 WavLM 模型,利用约 0.5B 参数规模的语音克隆网络,重现用户的语气语调,进一步增强数字分身的真实感。

  • 硬件要求

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:

方法 精度 7B 14B 30B 70B xB
Full (bf16 or fp16) 32 120GB 240GB 600GB 1200GB 18xGB
Full (pure_bf16) 16 60GB 120GB 300GB 600GB 8xGB
Freeze/LoRA/GaLore/APOLLO/BAdam 16 16GB 32GB 64GB 160GB 2xGB
QLoRA 8 10GB 20GB 40GB 80GB xGB
QLoRA 4 6GB 12GB 24GB 48GB x/2GB
QLoRA 2 4GB 8GB 16GB 24GB x/4GB

训练完成后,WeClone 支持将模型部署至多个即时通讯平台,如微信、QQ、飞书、企业微信等,实现跨平台的自然语言交互体验。部署方式包括本地服务端 API 接口、Docker 容器化部署以及轻量级 SDK 集成,满足不同场景下的需求。

对于开发者而言,WeClone 提供了完整的工程文档与实践指南,涵盖环境搭建(Python + PyTorch)、数据清洗、LoRA 微调配置、FlashAttention 加速优化、单卡/多卡分布式训练等关键技术细节。项目兼容主流深度学习框架,并针对 NVIDIA GPU 进行了性能优化,推荐使用 A100/H100 显卡以获得更好的训练效率。

需要注意的是`:

  1. 模型表现受限于数据质量与模型容量:若聊天记录内容稀疏或风格不一致,可能导致生成结果不够稳定;
  2. Windows 兼容性建议:项目主要面向 Linux 平台开发,Windows 用户建议使用 WSL(Windows Subsystem for Linux)运行;
  3. 版本迭代频繁:当前处于快速开发阶段,部分功能可能存在不稳定或接口变更情况;
  4. 隐私与合规风险:聊天数据涉及大量个人敏感信息,必须严格遵守《个人信息保护法》等相关法律法规。

1.1 环境搭建

cuda安装(已安装可跳过):LLaMA Factory

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
uv pip install --group main -e .

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());"

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

note

训练以及推理相关配置统一在文件settings.json

1.2 数据预处理

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或群聊,然后将导出的位于wxdump_tmp/exportcsv 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.json的make_dataset_args

python weclone/data/qa_generator.py
  • 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。后续将增加大模型清洗数据的功能。

PyWxDump是一款用于获取账号信息(昵称/账号/手机/邮箱/数据库密钥)、解密数据库、查看聊天记录、备份导出聊天记录为html的工

  • 核心功能
  • (1)获取微信昵称、微信账号、微信手机号、微信邮箱、微信 KEY 的基址偏移
  • (2)获取当前登录微信的微信昵称、微信账号、微信手机号、微信邮箱、微信 KEY、微信原始 ID(wxid_******)、微信文件夹路径
  • (3)根据 key 解密微信数据库
  • (4)合并多种类型数据库,方便统一查看
  • 扩展功能
  • (1)通过 web 查看聊天记录
  • (2)支持导出聊天记录为 html、csv, 备份微信聊天记录
  • (3)远程查看微信聊天记录(必须网络可达,例如局域网)
  • 文档类
  • (1)提供数据库部分字段说明
  • (2)提供 CE 获取基址偏移方法
  • (3)提供 MAC 数据库解密方法
  • 其他功能
  • (1)增加极简版 pywxdumpmini,只提供获取数据库密钥以及数据库位置的功能
  • (2)支持微信多开场景,获取多用户信息等

1.3 模型训练

  • 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.jsonmodel_name_or_pathtemplate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lora_ranklora_dropout等参数。
  • 单卡训练

python weclone/train/train_sft.py
  • 多卡训练 取消settings.jsondeepspeed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

1.4 推理

  • 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.json的infer_args后,供后续推理时使用。

python weclone/eval/web_demo.py
  • 使用接口进行推理

python weclone/server/api_service.py
  • 使用常见聊天问题测试

有些答案比较抽象,主要原因是训练数据没有覆盖,可以通过RAG来解决。测试结果在test_result-my.txt。

python weclone/server/api_service.py
python weclone/eval/test_model.py

1.5  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。

在这里插入图片描述 在这里插入图片描述

1.5  部署

  • 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:

  1. 部署 AstrBot
  2. 在 AstrBot 中部署消息平台
  3. 执行 python weclone/server/api_service.py 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。

在这里插入图片描述important

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。

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

1.8 问题解决

  • 微调问题:LLaMA-Factory| FAQs | 常见问题

2.Second-Me

在这里插入图片描述

Second Me 是一个开源AI身份系统,旨在为用户创建完全私有的个性化AI代理。它不仅仅是一个AI助手,而是一个能够代表用户真实自我的数字分身。通过本地训练和部署,Second Me 确保用户的数据完全由自己掌控,避免了传统AI系统中数据被大公司掌控的风险。

Second Me 的核心目标是保护用户的独特身份,同时为用户提供一种全新的方式在AI时代中表达自我。它支持全球互联,允许用户的AI代理与其他AI代理进行协作,形成一个去中心化的AI网络。这种设计不仅保护了用户的隐私,还为用户提供了更多的智能扩展可能性。

  • 个性化身份创建:用户将自己的记忆、经验和偏好上传训练成AI代理,代理能代表用户的真实自我。
  • 多角色适应:根据不同的场景(如工作、社交、学习)自动切换角色,保持用户的核心身份不变。
  • ChatMode:与用户直接对话,提供基于个人记忆的个性化回答爸。
  • Bridge Mode:作为用户与外界的桥梁,增强需求表达和信息反馈。
  • 隐私保护:Second Me的运行完全本地化,用户数据存储在本地也设备上。
  • 智能记忆管理:支持快速识别模式、适应变化,与用户共同进化。
  • Second Me的技术原理
  • 分层记忆模型(HMM):
  • L0(短期交互记忆):处理即时上下文信息,用在短期的交互和快速响应
  • L1(自然语言记忆层):总结和存储用户的重要信息,如个人简介、偏好标签等。
  • L2(AI原生记忆层):基于模型参数学习和组织记忆,进行复杂的推理和知识检索。

在这里插入图片描述

  • 个性化对齐架构(Me-alignment):基于强化学习技术,将用户的分散数据转化为深度个性化的理解,确保AI精准把握用户的偏好和行为模式。
  • 去中心化网络:每个Second Me是一个独立的AI实体,基于点对点网络进行通信和协作,确保数据的隐私和安全性。
  • 自动化训练管道:包括数据合成、过滤、监督式微调(SFT)、直接偏好优化(DPO)等步骤,确保模型的高效训练和个性化。
  • 多智能体框架:支持与其他Al代理或专家模型协作,基于增强上下文信息和优化交互过程,为用户提供更精准的服务。
  • 链式推理:在训练和推理过程中基于CoT风格,逐步推理和详细解释,提高模型的逻辑性和准确性。

在这里插入图片描述 在这里插入图片描述 在这里插入图片描述

2.1 安装 Second Me 服务

1. 克隆仓库

git clone git@github.com:Mindverse/Second-Me.git
cd Second-Me

2. 设置环境

使用 make 命令(需要 Xcode 命令行工具):

make setup

或者直接使用脚本:

./scripts/setup.sh

3. 启动服务

使用 make 命令:

make start

或者直接使用脚本:

./scripts/start.sh

2.2 启动 Second Me 平台

完成 make start 命令后,打开浏览器并访问 http://localhost:3000,即可进入 Second Me 平台。接下来,我们将逐步完成创建自己的 AI 自我:

1. 定义你的身份

在创建 Second Me 之前,你需要定义自己的身份。这是 Second Me 的核心基础:

  • 在左侧边栏导航至 Create Second Me > Define Your Identity
  • 配置你的身份信息:
  • Second Me 名称:为你的 Second Me 起一个名字。
  • 简短个人描述:描述你的风格、驱动力和独特之处。
  • Second Me 邮箱:填写一个邮箱地址,用于联系你的 Second Me。
  • 确认无误后点击 保存
  • 点击 下一步:上传记忆,继续创建过程。

提示:上传的信息越多样化,Second Me 对你的理解就越准确。

2. 上传你的记忆

下一步是通过上传个人数据来让 Second Me 更了解你:

  • 导航至 Create Second Me > Upload Your Memory
  • 选择适合的方式上传数据:
  • 文本:直接在页面中输入文字。
  • 文件:上传单个文件。
  • 文件夹:上传整个文件夹,系统会自动整理。
  • (未来支持连接应用程序和可穿戴设备!)
  • 完成上传后,点击 下一步:训练

提示: * 上传反映你思维模式、写作风格和知识领域的多样化内容。 * 避免上传过多文件,以免影响训练效率。

3. 训练 Second Me

最后一步是训练 Second Me,使其具备你的个性和能力:

  • 导航至 Create Second Me > Train Second Me
  • 配置训练设置:
  • 数据合成支持模型:选择记忆处理方式。
  • 训练基础模型:选择适合你计算机性能的模型。
  • 点击 开始训练,等待训练完成。

提示: * 选择适合你计算机性能的模型。 * 训练时间取决于上传数据的数量和复杂性,保持页面打开并耐心等待。

2.3 如何与 Second Me 交互


聊天模式

聊天模式允许你直接与 Second Me 进行交互:

  • 导航至 Playground > Chat with Second Me
  • 输入消息并按 Enter,即可开始对话。
  • 使用右侧的设置调整聊天体验:
  • 记忆检索:控制记忆在对话中的作用。
  • 系统提示:定义 Second Me 的行为模式。
  • 温度值:调整创造性(0 = 精确,1 = 创意)。
  • 点击 清除聊天,可以重新开始对话。

提示:通过调整设置,让 Second Me 适应不同场景需求。

角色扮演应用

角色扮演应用允许你为 Second Me 创建特定角色,用于不同场景:

  • 导航至 Second Me Apps > Roleplay Apps
  • 浏览现有角色扮演应用,选择感兴趣的预设角色。
  • 创建自定义角色:
  • 点击右上角的 创建角色扮演应用 按钮。
  • 为角色命名并描述其超能力。
  • 调整角色风格以匹配你的需求。
  • 点击 保存

网络应用

网络应用支持你加入全球 Second Me 网络或创建协作空间:

  • 导航至 Second Me Apps > Network Apps
  • 加入全球网络:
  • 点击 加入 AI 网络
  • 启用 注册到网络,让其他用户发现你的 Second Me。
  • 创建协作空间:
  • 点击右上角的 创建新空间 按钮。
  • 输入空间名称和任务描述。
  • 邀请团队成员并点击 创建空间

项目链接:

相关文章
|
18天前
|
存储 人工智能 NoSQL
万字解码 Agentic AI 时代的记忆系统演进之路
本文深入探讨了在 Agentic AI 时代,记忆(Memory) 作为智能体核心能力的定义、构建与技术演进。
万字解码 Agentic AI 时代的记忆系统演进之路
|
8天前
|
人工智能 算法 前端开发
超越Prompt Engineering:揭秘高并发AI系统的上下文工程实践
本文系统解析AI工程范式从Prompt Engineering到Context Engineering的演进路径,深入探讨RAG、向量数据库、上下文压缩等关键技术,并结合LangGraph与智能体系统架构,助力开发者构建高可靠AI应用。
83 1
|
23天前
|
人工智能 监控 搜索推荐
使用LangGraph从零构建多智能体AI系统:实现智能协作的完整指南
本文将通过构建AI研究助手的完整案例,展示如何使用LangGraph框架实现这种架构转变,从理论基础到具体实现,帮助你掌握下一代AI系统的构建方法。
283 0
使用LangGraph从零构建多智能体AI系统:实现智能协作的完整指南
|
2月前
|
人工智能 运维 监控
聚焦“AI+运维”深度融合,龙蜥系统运维联盟 MeetUp 圆满结束
现场 40 多位开发者进行了深入的技术交流,探索 AI 与运维深度融合的未来路径。
|
2月前
|
人工智能 缓存 开发者
MCP协议究竟如何实现RAG与Agent的深度融合,打造更智能AI系统?
本文AI专家三桥君探讨了通过MCP协议实现RAG与Agent系统的深度融合,构建兼具知识理解与任务执行能力的智能系统。文章分析了传统RAG和Agent系统的局限性,提出了MCP协议的核心设计,包括标准化接口、智能缓存和动态扩展性。系统架构基于LlamaIndex和LangGraph实现服务端和客户端的协同工作,并提供了实际应用场景与生产部署指南。未来发展方向包括多模态扩展、增量更新和分布式处理等。
223 0
|
2月前
|
人工智能 开发框架 搜索推荐
AI Agent构建强大外部工具调用能力不足,MCP Server怎样应对?MCP Serve在企业级Agent系统中的关键意义
本文AI产品专家三桥君探讨了MCP Server在企业级AI Agent系统中的关键作用,通过标准化工具接口实现AI与外部服务的无缝集成。三桥君重点阐述了分布式系统中的会话管理、状态持久化等实践方案,强调MCP Server在降低AI决策风险、提升系统可靠性方面的企业价值,为AI产品经理提供了架构设计与优化策略的实践指导。
209 0
|
13天前
|
数据采集 人工智能 算法
面向AI应用开发的开源能源管理系统
人工智能在能源管理中发挥关键作用,通过优化资源分配、智能消费管理、精准监测预测以及改善客户体验等多方面推动行业转型。MyEMS作为重要工具,基于Python语言集成AI技术,实现数据采集处理、负荷预测、能源优化控制、故障诊断预警及可视化展示等功能,提供全面智能化解决方案,助力可持续发展与能源效率提升。
33 5
|
25天前
|
机器学习/深度学习 人工智能 自然语言处理
论文解读:单个标点符号如何欺骗LLM,攻破AI评判系统
可验证奖励强化学习(RLVR)通过规则函数或LLM评判器提供奖励信号,训练策略模型生成与参考答案一致的响应。研究发现,某些无意义模式(如标点或推理引导语)可误导评判器产生误判,称为“万能钥匙”攻击。为此,提出Master-RM模型,结合对抗训练有效抵御此类攻击,显著降低误报率,同时保持高性能与通用性。
44 0
论文解读:单个标点符号如何欺骗LLM,攻破AI评判系统
|
2月前
|
存储 人工智能 API
AI代理性能提升实战:LangChain+LangGraph内存管理与上下文优化完整指南
在AI代理系统开发中,上下文工程成为提升系统性能的关键技术。本文探讨了从提示工程到上下文工程的转变,强调其通过为AI系统提供背景信息和工具支持,显著提升智能化程度和实用价值。文章系统分析了上下文工程的理论基础、核心策略(如写入、选择、压缩和隔离),并结合LangChain和LangGraph工具,展示了如何实现上下文工程技术以优化AI代理性能。通过Scratchpad机制、内存管理、RAG系统集成、多代理架构及沙盒环境等技术手段,开发者可以更高效地构建高性能、可扩展的AI系统。
171 0
AI代理性能提升实战:LangChain+LangGraph内存管理与上下文优化完整指南

热门文章

最新文章