핵심 요점
- WeChatFerry(Windows)는 2026년 WeChat PC 클라이언트를 위한 가장 신뢰할 수 있는 훅입니다: 바이너리를 수정하지 않고 WeChat과 함께 실행됩니다
- Ollama는 포트 11434에서 로컬 HTTP API를 노출합니다: 10줄짜리 Python 스크립트가 WeChat 메시지를 로드된 모델로 라우팅합니다
- Qwen3 7B Q4_K_M: 중국어 채팅에 권장 — 5.5 GB VRAM, 네이티브 CJK 토큰화, 미니 PC에서 8–15 tok/s
- 항상 켜져 있는 미니 PC 서버(Minisforum UM890 Pro, ~35 W): 그룹 및 개인 채팅을 위해 봇을 24/7 사용 가능하게 유지
- 로컬 추론: 클라우드로 데이터 전송 없음 — 개인 데이터에 대한 중국 데이터 보안법 제31조 준수
WeChat + LLM 세 가지 통합 패턴
패턴 1 — WeChatFerry + Ollama(Windows): 가장 안정적입니다. WeChatFerry는 공식 WeChat PC 클라이언트를 인터셉트하고 Python SDK를 노출합니다. 메시지가 이벤트로 도착합니다; 스크립트가 Ollama HTTP API를 호출하고 응답을 반환합니다. 개인 및 그룹 채팅에 작동합니다. WeChat PC가 설치된 Windows가 필요합니다.
패턴 2 — HTTP webhook 브리지: 타사 WeChat 게이트웨이에서 webhook 콜백을 받는 로컬 HTTP 서버를 실행합니다. 설정이 더 복잡하지만 여러 플랫폼에서 작동합니다. WeChat Official Account 인프라가 있는 기업에 적합합니다.
패턴 3 — Ollama + Open WebUI 포워딩: Open WebUI의 WeChat 알림 기능을 사용하여(사용 가능한 경우) 개인 WeChat 계정으로 요약이나 응답을 전송합니다. 가볍고 훅 없이 작동하지만 단방향 알림만 지원합니다.
대부분의 사용자에게 — 특히 개인 계정을 가진 중국 사용자에게 — 패턴 1(WeChatFerry + Ollama)이 2026년을 위한 올바른 선택입니다.
WeChatFerry 설정: 단계별
- 1Windows에 WeChat PC(weixin.qq.com의 공식 버전) 설치
- 2WeChatFerry 설치:
pip install wcferry(Python 3.10+) - 3WeChatFerry 데몬 시작:
python -m wcferry.daemon - 4메시지 핸들러 작성:
from wcferry import Wcf; wcf = Wcf(); wcf.enable_receiving_msg() - 5메시지 루프에서 Ollama에 POST:
requests.post("http://localhost:11434/api/generate", json={"model":"qwen2.5:7b","prompt":msg.content}) - 6응답 전송: `wcf.send_text(response["response"], msg.roomid or msg.sender)`
- 7개인 메시지로 테스트; 2–5초 내에 응답이 WeChat에 나타나는지 확인
import requests
from wcferry import Wcf
wcf = Wcf()
wcf.enable_receiving_msg()
while True:
msg = wcf.get_msg()
if msg and msg.from_self() is False:
resp = requests.post(
"http://localhost:11434/api/generate",
json={"model": "qwen2.5:7b", "prompt": msg.content, "stream": False}
).json()
wcf.send_text(resp["response"], msg.roomid or msg.sender)Ollama HTTP API: 주요 엔드포인트
Ollama는 ollama serve 이후 http://localhost:11434에서 로컬 REST 서버를 실행합니다. 로컬 연결에는 인증이 필요하지 않습니다.
생성(단일 턴): POST /api/generate — 본문: {model, prompt, stream: false} — 반환: {response, done}
채팅(다중 턴): POST /api/chat — 본문: `{model, messages: [{role, content}]}` — 호출 간 대화 컨텍스트 유지
모델 목록: GET /api/tags — 크기와 함께 모든 설치된 모델 반환
WeChat 통합에는 세션 동안 컨텍스트를 유지하기 위해 순환 대화 기록(마지막 10개 메시지)과 함께 /api/chat을 사용하십시오.
항상 켜져 있는 WeChat LLM 서버로서의 미니 PC
전용 항상 켜져 있는 미니 PC는 노트북이나 워크스테이션을 차지하지 않고 WeChat 봇을 계속 실행하게 합니다.
Minisforum UM890 Pro(권장): AMD Ryzen 9 8945HS, 32–64 GB DDR5, AMD Radeon 780M iGPU. Linux에서 ROCm을 통해 Qwen3 7B를 ~8 tok/s로 실행합니다. 소비 전력: 유휴 시 ~35 W, 추론 시 ~65 W. 가격: ~$350–$450.
Mac Mini M4: Apple Silicon M4, 16–32 GB 통합 메모리, MLX를 통해 7B 모델에서 ~18 tok/s. 소비 전력: 유휴 시 ~20 W. 가장 조용한 옵션. 가격: ~$599.
설정 팁: 자동 시작 활성화 — ollama serve와 WeChatFerry 브리지 스크립트를 systemd(Linux) 또는 Windows 작업 스케줄러에 추가하십시오. 봇은 모든 정전 후 자동으로 복구됩니다.
WeChat에서 중국어 채팅을 위한 최고의 모델
Qwen3 7B Q4_K_M(첫 번째 선택): Alibaba가 네이티브 CJK 토큰화로 개발했습니다. 5.5 GB VRAM, 8–15 tok/s. 서구 중심 모델보다 중국어 관용어, 고전적 참조, 구어체를 훨씬 잘 이해합니다. 설치: ollama pull qwen2.5:7b.
Qwen3 14B Q4_K_M: 12–16 GB RAM의 미니 PC가 있을 때 더 풍부한 대화를 위해. 9.5 GB VRAM, 4–8 tok/s. 중국어 미묘한 추론과 다중 턴 컨텍스트에서 현저히 더 나음.
DeepSeek-R1-Distill-Qwen-7B: 중국어 질문 답변 및 단계별 설명에 좋음. 캐주얼 대화에서 Qwen3 7B보다 약간 약함.
피해야 할 것: Llama 3과 Mistral — 서구 중심 토크나이저가 중국어 텍스트에 2–3배 더 많은 토큰을 사용하여 더 느린 응답과 긴 메시지에서 잘림이 발생합니다.
그룹 채팅 처리
WeChat 그룹 채팅은 @ 멘션 처리가 필요합니다. WeChatFerry는 봇이 멘션되었을 때 감지하기 위해 msg.is_at을 노출합니다.
좋은 관행: msg.is_at이 True이거나 메시지가 트리거 키워드로 시작할 때만 응답하십시오. 모든 그룹 메시지에 응답하면 노이즈가 생기고 WeChat의 안티봇 속도 제한이 트리거됩니다.
속도 제한: WeChat은 분당 ~30개 이상의 메시지를 전송하는 계정을 제한할 수 있습니다. 그룹 컨텍스트에서 봇 응답 사이에 2–3초 지연을 추가하십시오.
컨텍스트 관리: 그룹 채팅의 경우 참가자 간 컨텍스트 혼합을 피하기 위해 사용자별(msg.sender로 인덱싱)로 별도의 대화 기록을 유지하십시오.
개인 정보 보호 및 중국 데이터 보안법 준수
로컬 추론은 프롬프트, 응답, 대화 기록이 절대 하드웨어를 떠나지 않음을 의미합니다. WeChat의 Tencent 서버도 어떤 클라우드 LLM API도 콘텐츠를 처리하지 않습니다.
중국 데이터 보안법(DSL, 2021) 제31조: 중국 영토 내에서 수집하거나 사용하는 개인 데이터는 중국 관할권 아래에 남아야 합니다. 자체 로컬 LLM을 실행하면 추론이 외국 클라우드 공급업체(OpenAI, Anthropic, Google)를 통해 라우팅되지 않습니다.
사이버보안법 제37조: 핵심 정보 인프라 운영자는 데이터를 국내에 저장해야 합니다. 로컬 추론은 개인 및 중소기업 사용 사례에서 이 요구 사항을 충족합니다.
이것이 커버하지 않는 것: WeChat 메시지 메타데이터(누가 누구에게 보냈는지, 타임스탬프)는 WeChat 서비스 약관에 따라 Tencent 서버에 남아 있습니다 — 로컬 추론은 이것을 변경할 수 없습니다. 완전한 개인 정보 보호를 위해 WeChat 대신 로컬 메시지 플랫폼을 사용하십시오.
EU/글로벌 독자를 위한 참고: GDPR 제28조는 처리자와의 계약을 요구합니다. 로컬 LLM 실행은 어떤 LLM 공급업체와의 DPA 필요성도 피합니다 — 중요한 준수 단순화.
자주 묻는 질문
WeChatFerry가 Mac용 WeChat에서 작동합니까?
아니요. WeChatFerry는 Windows WeChat PC 클라이언트 DLL을 인터셉트하며 Mac용 WeChat과 호환되지 않습니다. Mac에서는 Windows VM을 사용하거나 HTTP webhook 패턴 중 하나를 사용하십시오.
Tencent가 봇을 사용한다고 계정을 차단할 수 있습니까?
WeChat 서비스 약관은 자동화된 대량 메시지 전송을 금지합니다. 인간과 유사한 응답 속도(분당 1–5개 메시지)의 개인 봇은 차단을 거의 유발하지 않습니다. 대량 전송, 그룹 스팸, 또는 상업적 홍보에 봇을 사용하지 마십시오.
WeChat에서 중국어 텍스트에 가장 좋은 Ollama 모델은 무엇입니까?
Qwen3 7B Q4_K_M. 네이티브 CJK 토큰화로 Alibaba가 개발했습니다 — 중국어 텍스트에서 Llama나 Mistral 모델보다 30–40% 더 효율적입니다.
노트북에서 이것을 실행할 수 있습니까?
네. 16 GB RAM의 노트북은 CPU 전용으로 Qwen3 7B를 8–15 tok/s로 편안하게 실행합니다. 메시지당 응답 지연은 3–8초로 채팅에서 허용 가능합니다.
로컬 추론이 중국 데이터 보안법을 준수합니까?
추론 콘텐츠(프롬프트 및 응답)의 경우 네 — 데이터가 하드웨어를 떠나지 않습니다. WeChat 메시지 메타데이터는 서비스 약관에 따라 Tencent 서버에 계속 남아 있습니다.
다중 턴 대화를 어떻게 처리합니까?
보낸 사람으로 인덱싱된 {role, content} dict의 Python 목록으로 대화 기록을 저장하십시오. 컨텍스트를 유지하기 위해 각 요청에서 /api/chat에 마지막 10–15개 메시지를 전달하십시오.
관련 읽을거리
- WeChat 로컬 LLM 봇: 개인 비서 가이드 — 개인 비서를 위한 WeChatFerry 심층 분석
- 로컬 LLM을 위한 최고의 미니 PC — 항상 켜져 있는 LLM 서버를 위한 하드웨어 비교
- 2026년 MCP가 있는 로컬 AI 에이전트 — 도구 사용 및 자동화로 WeChat 봇 확장
- Zapier를 로컬 AI 에이전트로 대체하기 — WeChat 이벤트로 트리거되는 자동화 워크플로우