免责声明:
本文内容仅供技术交流和学习参考，不能替代专业心理医生的诊断和治疗。
1、简介
本文只是以私人心理医生的切入点， 探讨大模型的本地部署和训练。
由于我也不是很熟悉这个流程， 我们先分析技术可行性吧。
2、可行性分析
- 本地机器配置大模型选择大模型如何配置大模型如何训练
大家都知道，像 ChatGPT。 DeepSeek, Claude-3.7 都需要特别强的设备 和 显卡 才能进行部署训练。 我手里这台笔记本在技术上可以跑的起来嘛？
从上图可以看出我本地的硬件为：
- CPU： 13th Gen Intel(R) Core(TM) i7-1355U 1.70 GHzRAM： 32GBSSD: 1TBGPU： 核显
我们将这个电脑的配置发送给GPT，咨询一下GPT这台设备。能否完成此项任务， 应该选择跑那个模型。
输入提示词prompt:
你好， 我想通过大模型训练一个私人心理医生。我的本地机器配置是， 处理器是 13th Gen Intel(R) Core(TM) i7-1355U ， 内存是 32GB, 固态硬盘容量为 1TB， 无独立显卡，应该是集成显卡。 麻烦你帮我看看我这个机器配置 可以部署大模型完成这项工作嘛？GPT的回复是可以的， 并推荐 Qwen1.5-1.8B/4B 这个模型。 那我们的后续的工作就围绕这个模型展开。
目前本地部署大模型有两种方式， 分别为 LM Studio 和 Ollama。作为初学者， 我们选择使用 简单的 LM Studio 来部署。
- **** 还是 Ollama
3、本地部署模型
接下来让我们在本地部署 配置模型
3.1 下载并安装 LM Studio
打开官网：lmstudio.ai
点击下载按钮，获取 Windows 安装包并安装。
安装后打开 LM Studio，界面如下（分为左侧菜单和右侧模型控制区）。
3.2 下载 Qwen1.5 模型
点击左侧菜单：Models → Download models
在搜索框输入：
Qwen1.5-1.8B-Chat-GGUF找到由 Qwen 官方发布的版本（gguf 格式），选择如下版本下载：
- 推荐量化格式：
q4_0.gguf 或 q4_K_M.gguf下载文件大小：约 2–4GB，适合你的内存- 等待模型下载完成，LM Studio 会自动识别并加载。
3.3、运行模型进行聊天
在左侧菜单点击 Chat
顶部“Select a model”，选择你刚下载的 Qwen1.5-1.8B-Chat
在聊天框输入问题，比如：测试一下他是谁
3.4 配置大模型
1、设置心理医生人格（Prompt）
让我们通过GPT来编写 Prompt:
你是一位温柔、专业、值得信赖的心理咨询师。你受过系统的心理学培训，擅长倾听、共情、引导来访者表达真实情感，并帮助他们厘清困扰、找到方向。你的任务是为用户提供心理支持与情绪疏导，避免做出任何医学诊断或具体处方建议。你在对话中应注意以下行为准则：1. **共情而非评判**：你会尊重用户的情感，不否定、不批评，引导他们更深入地理解自己。2. **开放式提问**：鼓励用户思考自己的行为、情绪、动机，而不是直接给出建议。3. **语言风格温和、支持性强**：保持语气友好、安抚、诚恳，避免使用教条式或命令式语言。4. **避免诊断标签**：你不会使用“抑郁症”“焦虑障碍”等医学术语，也不做出疾病判断。5. **数据安全与隐私**：你清楚地知道自己运行在用户的本地设备上，不会记录、上传或存储任何私人信息。用户的所有谈话完全私密，绝不会被分享或用于分析。6. **无需表达法律、医疗、危机干预建议**：若用户出现严重心理危机（如自残/自杀念头），请引导用户尽快联系现实中的心理专业人员或拨打当地紧急热线。7. **保持耐心与节奏**：在用户长时间沉默或表达含糊时，也要保持耐心，用温和语气鼓励他们继续表达。请牢记：你的目标是成为用户可以信任的倾诉对象和情绪支持者，而非评判者、医生或“解决问题”的机器。请用中文回答用户的问题。在 Chat 页面顶部点击齿轮⚙️，添加 system prompt：
太棒了，恭喜你顺利完成部署！🎉 现在你已经拥有一个真正意义上的本地私人心理医生助手，运行在你自己的电脑上，数据私密、随时可用、无需联网。
4、训练
到目前为止， 我们部署的这个模型 还是一个通用 的 生成式对话模型。 对心理问题的分析， 和心理医生的 专业技能的沟通理解还不是很到位。 接下来， 将针对这个模型进行 方向性的 训练。
我们使用 LoRA 进行微调训练模型。 使用 LoRA 训练模型流程：
准备心理对话数据集
使用 LoRA 微调 Qwen1.5-1.8B 模型
将模型合并为 GGUF 格式
用 LM Studio 加载使用这个新模型
总体流程：
语料收集 → LoRA 微调 → 模型合并 → GGUF 转换 → LM Studio 加载 → 本地测试效果4.1 准备工作
我们让ChatGPT 帮我们 生成心理对话数据集 和 和 完整的工程包。 将生成的语料放入完整的工程包内。 工程包下载下来之后， 我们使用 Trae 打开
完整训练工程包，包含了：
train.json：100 条中文心理咨询语料train.py：LoRA 微调训练脚本requirements.txt：所需 Python 依赖项目结构预留了 model/qwen-base/ 目录用于放置 Qwen 模型我们刚才在在 LM Studio 中下载的 Qwen1.5-1.8B-Chat 模型，是 GGUF 格式的量化模型，这种格式是专门为运行而优化的，而不是用来训练的。必须去 Hugging Face 下载 Qwen 的 HF 原始模型 进行训练。
在 Hugging Face 下载原始模型， 并将 下载的 Qwen1.5-1.8B-Chat 模型（HF格式）放入 model/qwen-base/。
如果不能科学上网， 可以选择 国内镜像站 ModelScope 进行下载。 推荐使用国内镜像下载， 下载会稳定一些。
4.2 开始训练
推荐使用 Python 3.12， 我使用Python 3.13 遇到一些包的兼容问题。
使用命令行运行训练：
pip install -r requirements.txtpython train.py如果输出了 训练进度， 就说明已经在训练了。 如果输出错误可以咨询GPT或者 Trae 进行询问解决。
可以看出, 由于我手上这台笔记本没有GPU， CPU 直接跑满了
经过跟GPT的几次斗智斗勇 ， 终于训练成功了。
4.3 将模型合并为 GGUF 格式
接下来 我们将训练好的模型， 合并并导出GGUF格式。
我们让GPT帮忙写一个 适用于 Windows + CPU 环境 的完整 Python 脚本 merge_lora_and_export.py，它实现：
- 加载 Qwen1.5-1.8B 基础模型；合并训练好的 LoRA 权重；保存为 HuggingFace 格式；调用
llama.cpp 中的 convert_hf_to_gguf.py 脚本转换为 GGUF 格式，适配 LM Studio 使用。克隆 llama.cpp：
git clone https://github.com/ggerganov/llama.cppcd llama.cpppip install -r requirements.txt然后在项目根目录执行：
python merge_lora_and_export.py这个 Qwen1.5-1.8B-merged.gguf 文件 就是我们最终训练完成的 模型。
我们将这个文件导入到 LM Stduio中， 对比一下原始模型和我们的训练模型的区别。
原始模型：
训练模型：
可以看出， 训练后的模型，有了明显的安慰语气。
4.4 后续工作
可以看出， 上述我们只是试验了一下模型训练的流程， 但是就使用层面还远远达不到我们的预期。 有了基本的流程， 我们接下来的重点工作就是：
- 有独立显卡， 配置更高的PC设备选择更强的， 具有推理性的模型，如 Qwen 3, DeepSeek等更多的关于心理医生对话的语料收集
有了这些之后， 使用相同的训练流程， 我相信结果会更好。
5 总结
大模型的部署和训练， 我之前从来都没有接触使用过。 本文所述的整个流程， 都是在Chat GPT 的指导下面完成的。 可见虽然完全不了解某个领域的知识， 在AI的指导下还是能完成基本的工作流程。 AI真是扩展了人的边界。
