微调（Fine-tuning）：什么时候值得，什么时候是浪费钱
它改的是"习惯"，不是"知识"。90% 说要做微调的需求，其实用提示词或 RAG 就能解决。
一句话定义：微调是在一个已经训练好的模型上，用你自己的数据再训练一轮，让它更符合你的任务习惯。
一个比喻：不是从头教一个人说话，而是请一个已经会说话的人，来你公司实习三个月，学会你们的行话和规矩。
它改的是习惯，不是知识
这是最容易搞错的一点。
- 微调擅长：固定格式输出、固定语气风格、特定领域的表达方式、把长指令压缩成短指令
- 微调不擅长：让它记住会变的知识（价格、政策、产品清单）
知识要更新，用 RAG。 你把制度文档塞进微调，三个月后制度改了，你还得重训。用 RAG，换一份文档就行。
一个判断树
你要解决的是？
├─ 它不知道我们的资料 → RAG / 直接贴资料
├─ 它输出格式总不对 → 先改提示词，加示例
├─ 它语气不像我们的品牌 → 微调可能有用
├─ 指令太长，每次都要贴 → 微调（把长指令内化）
└─ 它能力不够（推理差） → 微调没用，换更强的模型最后一条要记住：微调不能让模型变聪明。 它只能让它更"听话"，不能提高它的上限。
成本在哪
微调的钱不在训练，在数据：
- 你需要几百到几千条高质量的输入-输出对
- 这些数据要人工标注、清洗、检查
- 训练完还要评测，评测又要一批标注数据
一次认真的微调，人力成本通常远高于算力成本。
普通人什么时候会碰到它
- 公司要做一个"懂我们业务"的客服机器人（多数情况其实该用 RAG）
- 要批量生成固定格式的内容（比如上千条商品描述）
- 有开源模型，想在自己的机器上跑一个专用版本
日常写东西、做表格、改稿子——你一辈子都不需要微调。
三个常见误解
- "微调能让 AI 学会我们公司的知识"——短期像，长期错。知识会变，模型不会自己更新。
- "微调完就不会胡说了"——幻觉会减少，但不会消失。
- "数据越多越好"——一千条干净数据，胜过一万条脏数据。