模型微调
在已有大模型基础上继续训练，让它更像某个岗位、某种格式或某个行业的专业员工。
改变 AI 的能力和回答习惯03 第零篇章 · 第一次系统认识 AI
模型微调跟模型喂资料有什么区别？
企业做 AI 时经常听到微调、RAG、知识库、喂资料。它们听起来都像“让 AI 学公司资料”，但实际解决的是两类问题。
一句话回答
微调是在改 AI 的能力和习惯，喂资料是在给 AI 提供参考资料。如果 AI 不知道你公司的产品、价格、流程，优先做知识库；如果你希望它长期保持某种行业表达、固定格式或分类方式，才进入微调评估。
01 先分清：改大脑，还是查资料
fine-tune vs rag
不要把知识库误认为训练模型
一个是改默认能力，一个是回答前查资料。
知识库喂资料
把产品手册、售后流程、公司制度等资料整理好，用户提问时让 AI 先检索再回答。
给 AI 提供最新参考资料
02 用员工来理解，马上就清楚
employee analogy
员工原本的大脑能力
会理解语言、写内容、做分析，但不一定知道你公司的真实资料。
给员工做专项训练
让它学会稳定的话术、格式、分类标准和行业表达，适合大量重复任务。
给员工一本资料手册
价格、产品、流程变化时，直接更新资料，AI 回答前去查最新版本。
03 放到企业里，应该怎么选
business chooser
客户问：你们有哪些产品？
AI 需要回答真实产品线、型号、参数和适用场景。这些信息来自公司资料，而且可能经常更新。
优先方案
知识库 / RAG
原因：问题本质是缺最新资料，不是模型不会说话。
04 两者最大区别
compare map
是否改变模型微调：会改变知识库：不改变模型，只在回答前查资料。
学习方式微调：继续训练知识库：检索资料，把相关内容放进上下文。
最适合什么微调：改行为知识库：补企业事实、产品资料和流程信息。
成本和周期微调：更高更慢知识库：通常更快上线，成本也更可控。
资料更新微调：更新麻烦知识库：改文档、重建索引即可持续维护。
05 什么时候需要微调，什么时候先别碰
decision rules
任务稳定、样本多、格式固定
- 每天生成固定格式报告。
- 法律、医疗、金融等专业表达要非常统一。
- 大规模分类、审核、标注，有大量高质量样本。
- 企业希望模型默认遵守特定语气和输出结构。
只是缺资料、缺流程、缺提示词
- 产品价格、政策、库存、活动经常变化。
- 客服主要回答公司已有手册里的问题。
- 还没整理好高质量训练样本。
- 业务流程没定型，上来微调会反复返工。
企业 AI 推荐路线
先让 AI 会查资料，再让它会走流程，最后才考虑训练
未来多数企业不会自己从零训练大模型，而是用基础大模型接上企业知识库，再用 Agent 串起业务流程。只有当任务足够稳定、规模足够大、投入产出比清楚时，微调才真正值得做。
基础大模型先获得通用理解和生成能力。
企业知识库补充产品、流程、制度和案例。
AI Agent连接工具，执行查询、分析和流转。
必要时微调针对稳定高频任务优化习惯和格式。
本节练习
用三个问题判断：该补资料，还是该微调
拿你自己的业务问题试一遍：AI 答错是因为没有资料，还是资料有但没检索到，还是它的回答格式和行为长期不符合要求？先诊断，再决定技术方案。
缺事实先整理权威文档，做知识库。
缺流程把步骤写成 SOP，交给 Agent 执行。
缺格式先用提示词和模板约束输出。
缺习惯有大量稳定样本时再评估微调。
要更新资料变化频繁，优先知识库。
本节小结
- 模型微调是改变 AI 的能力和行为习惯，知识库是给 AI 提供可检索资料。
- 企业资料频繁变化时，知识库比微调更容易维护，也更不容易过期。
- 大多数 AI 客服、企业问答、内部助手，先用知识库 + Agent 就能跑起来。
- 微调适合大量稳定样本、固定格式输出和高频重复任务，不适合拿来替代资料管理。