WeClone：用聊天记录微调出你的 AI 分身，但门槛和坑都在数据上
🚀 One-stop solution for creating your AI twin from chat history 💡 Fine-tune LLMs with your chat logs to capture your unique style, then bind to a chatbot to bring your digital self to life.
秒懂
- 它是什么？
- WeClone 是一个把 Telegram 聊天记录导出、清洗、微调并部署为聊天机器人的一体化工具。它默认基于 Qwen2.5-VL-7B 和 LoRA，能处理图片消息，但效果上限取决于你的数据量和个人隐私过滤的自觉性。
- 适合谁用？
- 适合手里有大量 Telegram 聊天记录、愿意花时间清洗数据且拥有至少 16GB 显存 GPU 的个人开发者。不适合追求开箱即用、数据量少或只有 Windows 环境且不愿用 WSL 的用户。
- 能商用吗？
- 可以，但条件严格。AGPL-3.0 是网络 copyleft 许可证：如果别人通过网络使用你修改过的版本（例如作为托管服务），你必须以同一许可证向他们提供源代码。
- 还在维护吗？
- 在维护。仓库最近一次提交在 1 天前。
- 用什么语言写的？
- 主要是 Python（依据 GitHub 的语言统计）。
以上回答依据项目的 GitHub 数据（最近同步于 2026年9月15日）和我们的分析，不构成法律意见。
开源项目深度解析
它解决什么问题，解决到什么程度
WeClone 想做的是把一个人的聊天记录变成可对话的 AI 分身，流程覆盖导出、预处理、微调和部署。目前真正打通的数据源只有 Telegram，支持文本和图片，语音、视频、链接分享、引用消息都不行。动图会转成 Emoji，位置和文件支持但文件会丢失。所以它不是一个通用的聊天记录转分身工具，而是一个 Telegram 专用管线，其他平台全部是施工中状态。部署端倒是多一些，Telegram、Discord、Slack 和基于 openclaw-weixin 的微信个人号都能接，但 WhatsApp 还没影。
数据流：从 Telegram 导出到 LoRA 微调
项目没有给出可视化架构图，但根据 README 描述和依赖关系可以拼出流程。先用 Telegram 的导出功能拿到聊天记录，WeClone 负责解析和清洗，把文本和图片整理成适合微调的格式。微调阶段默认用 Qwen2.5-VL-7B-Instruct，采用 LoRA 方法，底层调用 LLaMA Factory，所以理论上任何 LLaMA Factory 支持的模型都能换。训练和推理的配置统一放在 settings.jsonc 里，这意味着从数据预处理到模型部署的每一步参数都由一个文件控制。图片模态的支持意味着微调时能学习到表情包或图片回复的风格，这是很多同类工具没有的。
部署：不是只调一个模型，还要绑聊天机器人
微调完的模型不会自己跑到 Telegram 上，需要绑定到一个聊天机器人。项目支持 Telegram、Discord、Slack 和微信个人号，其中微信依赖 openclaw-weixin 这个外部项目。Telegram 的部署支持最完整，README 的表格里只有 Telegram 在部署列打了勾。这意味着如果你只想用微信，得额外维护 openclaw-weixin 的兼容性，出问题时要排查两层系统。部署环节的文档在 docs.weclone.love，但 README 没有给出具体的机器人配置步骤，实际使用时得翻文档。
硬件门槛：显存决定你能玩多大的模型
README 给了一张显存估算表，直接照搬 LLaMA Factory 的数值。7B 模型用 QLoRA 4bit 需要约 6GB 显存，LoRA 16bit 则需要 16GB。如果你只有一张 8GB 的消费级显卡，只能跑 QLoRA 4bit 的 7B 模型。14B 模型最低也要 12GB（QLoRA 4bit），实际训练时还要考虑显存波动。项目明确说 7B 效果平均，14B 以上才比较好，这就把入门用户卡在一个尴尬位置：低显存只能跑出平庸的效果，想要好效果就得掏钱买大显存卡或租云 GPU。CUDA 版本要求 12.6 以上，旧驱动直接不兼容。
安装与配置：uv 是捷径，但 Windows 是后妈养的
安装步骤很明确，用 uv 创建 Python 3.12 环境，然后执行 uv pip install --group main -e . 安装依赖。配置文件从 examples/tg.template.jsonc 复制成 settings.jsonc，所有训练和推理参数都改这个文件。项目没有给出 settings.jsonc 里具体的键名示例，只说了模板位置，实际配置时得自己打开模板看字段。README 提醒 Windows 环境没有严格测试，建议用 WSL。如果你只有 Windows 且不想碰 WSL，这个项目大概率会浪费你半天时间在环境问题上。
隐私与数据风险：过滤靠自觉，许可证是 AGPL
项目强调隐私信息过滤和本地化微调部署，但 README 没有给出具体的过滤机制或默认规则。聊天记录里通常有别人的手机号、地址、私密对话，训练数据如果不做清洗，模型会把这些内容学进去，部署后可能被套话出来。AGPL-3.0 许可证意味着如果你修改代码并提供网络服务，必须开源你的修改版本。如果你打算把 AI 分身做成商业产品，这个许可证会逼你公开服务端代码，对闭源商业项目是硬约束。
替代方案：自己拼 LLaMA Factory 加 Bot 框架
WeClone 的底层微调依赖 LLaMA Factory，所以你完全可以绕过 WeClone，直接用 LLaMA Factory 做微调，再用 python-telegram-bot 或 aiogram 写一个机器人来加载模型。区别在于 WeClone 帮你做了数据解析和预处理，这部分在 Telegram 导出格式上很繁琐，尤其是图片消息的对齐。自己拼的话，数据清洗要自己写脚本，但好处是你可以自由选择任何微调框架，比如用 Unsloth 加速，或者用 vLLM 做推理服务。WeClone 的价值在于把散落的步骤收拢成一个配置驱动的管线，代价是你得接受它的数据格式假设和更新节奏。
项目成熟度与维护节奏
从最近的 release 看，v0.3.03 在 2026 年 1 月发布，v0.3.02 在 2025 年 8 月，v0.3.01 在 7 月，更新频率不算低。README 明确说项目处于快速迭代期，当前性能不代表最终结果。这既是好事也是风险：功能会持续加，但接口和配置格式可能说变就变。你基于 v0.3.03 写的 settings.jsonc 很可能在 v0.4.0 里失效。文档站点和 DeepWiki 链接的存在说明项目方在维护文档，但 README 本身的信息密度不高，很多细节要靠自己去翻源码或文档。
编辑结论
适合手里有大量 Telegram 聊天记录、愿意花时间清洗数据且拥有至少 16GB 显存 GPU 的个人开发者。不适合追求开箱即用、数据量少或只有 Windows 环境且不愿用 WSL 的用户。采用前先做三件事：检查你的聊天记录是否包含他人隐私，确认 Telegram 导出格式与项目要求的字段匹配，以及跑通一次最小规模的 LoRA 微调来验证显存和速度。项目处于快速迭代期，README 明说当前性能不代表最终结果，别指望一次成功。
社区笔记