最低配置：一台电脑，一个知道python是什么的脑子即可。硬件方面不需要任何算力。
灵感来自：DK数字版
下面是最终成品demo的截图。
（你肯定会做得比我好，因为我的聊天数据集质量不高，我目前才经历了3年“手机不会被妈妈收掉可以自由聊天”的生活。）
本项目以ChatGLM2-6b为起点。
我们需要大量由你直接产生的数据。收集途径因人而异，如果你想训练Chatbot，可以从微信/QQ聊天记录入手。如果你想训练上下文续写能力，可以从作文/演讲稿/博客入手。下面以收集微信聊天记录为例。
Github上有很多开源的微信聊天记录导出工具。下面以留痕为例。
如果有需要，可以在手机端通过
我-设置-通用-聊天记录迁移与备份 (v8.0.44)先把手机的聊天记录迁移到电脑上。
在这里下载最新的Release。请注意与微信版本的对应。
右键点击刚刚下载的exe文件，以管理员身份运行，按照提示操作。此处具体操作步骤及问题请参阅“留痕”使用教程。
如果我们成功导出所有的聊天数据，可以在当前目录的data/聊天记录 下找到一个messages.csv 文件。之后我们只需要用到这个。
本段内容适配版本：留痕 == 0.2.6 微信PC端 == 3.9.8.15，使用新版本的朋友请务必自行按需修改build_dataset.ipynb ，如果需要帮助可以开issue！
注意：留痕 = 0.2.7 中表头包含发送人昵称、备注，如0.2.7版本中表头为localId,TalkerId,Type,SubType,IsSender,CreateTime,Status,StrContent,StrTime,Remark,NickName,Sender, 列数与内容已经对齐。
建议使用留痕 >= 0.2.7的版本，可以方便地根据发送人昵称分类，因为在以往版本中，如果存在多个时间段的来自多个微信版本的备份，有可能会出现使用不同的TalkerId的问题，例如在2018-2019年的老版本手机端备份A中所有与Alice的聊天记录TalkerId是56，但在2022年的电脑端备份B中是17，分开处理会削弱上下文连贯性。（要是我晚两天做就好了啊啊这样就方便多了呜呜呜呜😭）
messages.csv的形式如下：
localId,TalkerId,Type,SubType,IsSender,CreateTime,Status,StrContent,StrTime
12245,3,1,0,1,1528935478,,如果有帮助的话,2013-11-04 21:51:18,1234567890987654
12246,3,1,0,1,1572875478,,给我点个Star好不好😗,2019-11-05 22:47:11,123987654987654
先在第一行的末尾再加一个列名，使得每一列对齐，方便读入。
localId,TalkerId,Type,SubType,IsSender,CreateTime,Status,StrContent,StrTime,_
这里我们只需要TalkerId, Type, SubType, IsSender, StrContent 这几列。通过我的观察，你本人发送的信息满足Type=1, SubType=0, IsSender=1 。如果前后两行在同一个聊天里，它们的TalkerId也是相同的。
接下来我们需要清洗数据并制作数据集。参考ChatGLM2-6b官方的训练示例，数据集格式应该长这个样子，content是问，summary是答：
{"content": "我会成为厉害的人吗", "summary": "肯定会的"}
{"content": "你喜欢Rua吗", "summary": "好喜欢♥♥"}
一个简单的实现可以在上面的build_dataset.ipynb找到。这个文件的功能包括：drop掉所有内容为空的消息；统计总消息数；按照TalkerId排序；找到所有你发送的长度大于5个字符的文本消息；找到它们的上一条；统计最终可用的消息数；生成需要的json文件。你可以根据需要自行修改。
之后我们就得到了两个文件：train.json和dev.json。这就是我们所需要的训练数据。
大模型对显存的要求比较高，ChatGLM2-6b-int4是一个降低显存的解决方案。使用Kaggle的两块Tesla T4时，每块占用8G显存。
Kaggle免费方案提供每周30小时的双卡T4，可以充裕地满足我们的训练要求，因此这里以在Kaggle上运行为例。如果你有更好的硬件或者购买在线资源的运算，也可以进行参考。
本段参考了这篇博客。
首先我们下载ChatGLM2-6b。
git clone https://github.com/THUDM/ChatGLM2-6B.git
clone好了之后进入ChatGLM2-6B/ptuning 文件夹，新建一个文件夹WechatMsg，把刚刚的train.json和dev.json放在下面。（当然你也可以随便指定路径，只要把这两个文件放进去就行。）
然后我们按需要修改train.sh文件。具体如何修改请参考上面的train.sh 文件，有详细注释。
一切就绪，点击这里前往kaggle。
前置知识：
- 如何创建一个Kaggle账号。
- 如何上传自己的数据集。
- 如何新建一个Kaggle笔记本、关联自己的数据集并开启GPU加速。
这些都可以非常方便地在网上学习到（比如这里）。
一个训练笔记本的例子是上面的kaggle-train.ipynb，请阅读注释，根据自己的实际文件名填空。
我们需要上传整个ChatGLM2-6B文件夹到自己的数据集，添加到笔记本，开启GPU T4 * 2。
如果你看到!bash train.sh 的输出进入下面的阶段，就是开始训练了。
·····
le set os.environ["WANDB_DISABLED"] = "true"
wandb: WARNING Path ···· wasn't writable, using system temp directory.
wandb: WARNING Path ···· wasn't writable, using system temp directory
wandb: Tracking run with wandb version 0.16.1
wandb: W&B syncing is set to `offline` in this directory.
wandb: Run `wandb online` or set WANDB_MODE=online to enable cloud syncing.
{'loss': 6.2631, 'learning_rate': 0.0199, 'epoch': 0.0}
{'loss': 5.1531, 'learning_rate': 0.0198, 'epoch': 0.0}
{'loss': 4.902, 'learning_rate': 0.0197, 'epoch': 0.01}
····
训练结束以后（或者进行到一定阶段），可以在右边output一栏层层剥开文件夹找到checkpoint-{number}的文件夹。点开保存里面的pytorch_models.bin，我们只需要这一个文件。
还是利用kaggle。新建一个自己的数据集，上传刚刚下载的pytorch_models.bin文件。新建一个笔记本并关联这个数据集。一个测试笔记本的例子是上面的kaggle-test.ipynb，请阅读注释，根据自己的实际文件名填空。注意kaggle数据集是支持增量更新的，添加新的文件时可以直接在数据集主页选择New Version，与它关联的笔记本也可以在右边侧栏直接同步新的数据集，不需要每次都重新关联。你可以根据实际情况上传不同参数、不同训练阶段和不同数据集产生的结果，并挑选表现最好的保留。炼丹🐒🐒🐒
注意下面这个函数：
response, history = model.chat(tokenizer, "你好!", history=[])
可以向函数中添加temperature参数来调整输出的风格，数值越小越precise，越大越creative。
由于我们下一步是制作可以分享的网页版本，因此这里的硬件选择了CPU。同样的，如果你有更好的硬件或者购买在线资源的运算，可以随意指定。
有很多方法可以写前端，也可以买服务器买域名，但是秉持着0预算的前提，这里以Hugging Face🤗免费方案为例。Hugging Face🤗免费方案提供16G内存CPU，足够进行测试了。
点击这里前往Hugging Face🤗。
前置知识：
- 如何创建一个Hugging Face🤗账号。
- 如何新建一个Hugging Face Space。（类似于Github Repository）
这些都可以非常方便地在网上学习到（比如这里）。
我们新建一个Hugging Face Space，在提示选择SDK时选择Gradio。其中关键的文件有3个，分别是app.py,requirements.txt和你最后选择的pytorch_model.bin。
请新建requirements.txt并填入如下内容：
torch
transformers
sentencepiece
cpm_kernels
app.py即编写最后呈现出来的页面，因此可以随意发挥。demo中使用的app.py及详细讲解注释可以在上面找到。
你的朋友在浏览器输入https://huggingface.co/spaces/{your-user-name}/{your-space-name}就可以跟你的数字分身说话了。