← 返回概念解读

Concept Fable精修版

微调

Fine-Tuning · Fine-Tuning

先读故事。这里不急着给定义,先让问题自己长出来。

寓言故事

老账房教会新伙计按本店规矩办事

总店请来一位见多识广的新伙计。他懂许多行业规矩,能写信、算账、查货,也能回答顾客的大多数问题。

刚开张时,掌柜以为这样已经够了。可伙计一到柜台,就把外地习惯带进店里:报价语气不对,审批顺序不对,遇到例外还会给出过于笼统的建议。

掌柜先在柜台贴满纸条,告诉他每类客人该怎么说、每种单据该怎么填。纸条越贴越多,伙计一忙就漏看。后来有人建议每天站在旁边口头提醒。短期有效,但老账房一离开,伙计又回到原来的通用做法。

老账房换了办法。他收集过去一年真实成交、退单、投诉和优秀回复,把每个场景整理成输入和合格做法。新伙计不再只背纸条,而是一遍遍练这些样例。每次出错,账房指出差异:这里要遵守本店权限,那里要保留审计字段,另一处不能替客户承诺结果。

训练完成后,伙计仍保留原来的通用能力,但在本店场景里更稳定地使用本店语言、流程和边界。掌柜也发现,样例质量比数量更要命。把错误流程拿去训练,只会让错误更像规矩。

掌柜后来换了教法。他挑出本店真实账单、退货信和审批例外,让伙计反复练,再由老账房改错。几周后,伙计仍保留外面学来的见识,但开口先按本店语气,遇到常见例外也知道该找谁盖章。

这次小事故让众人停下来复盘。他们没有急着换一套更响亮的说法,而是把出错的入口、被误解的规则和需要保留的边界逐一写清。

这不是在柜台旁贴更多提醒,而是把店里的习惯教进手艺里。等忙起来时,伙计不用每次抬头找纸条。最后他明白,真正的改变不是在柜台贴更多提示,而是用本店可验证的数据把通用能力调到业务轨道上。

揭示

这个故事讲的是:微调

Fine-Tuning 是在预训练模型基础上,用特定领域、任务或行为数据继续训练模型,使其更适合目标场景。它可以改善语气、格式、领域知识使用、工具调用习惯和任务完成稳定性,但也带来数据治理、过拟合、评测、回滚和成本问题。企业落地中,微调通常用于 prompt 难以稳定约束、任务模式重复且有高质量样例的场景。

它重要的地方在于:它不只是一个术语,而是在真实 AI / Agent 系统里会反复出现的结构性问题。理解它,才能判断什么时候该加模型,什么时候该改流程,什么时候该补治理。

隐喻映射

  • 通用新伙计:预训练基础模型
  • 柜台纸条:prompt 规则
  • 真实成交和退单样例:微调训练数据
  • 反复练习合格做法:继续训练模型参数
  • 本店语言和流程:领域风格、任务格式和业务约束
  • 错误流程被学成规矩:低质量训练数据带来的行为污染
  • 最后洞察:Fine-Tuning 用业务数据把通用模型适配到稳定可交付的任务轨道

Soloharness 判断

这个概念的实战价值,是帮你把“看起来聪明的 AI 功能”拆成可交付、可验收、可治理的工作单元。

supervised fine-tuninginstruction tuningLoRAadapterdomain adaptation