模型微调（Fine-tuning）

微调是在已经训练好的大模型基础上，用一批特定任务的数据继续训练，使模型的输出风格、格式或领域表现更贴合需求。常见方式包括监督微调（SFT），以及 LoRA 这类只训练少量附加参数、成本较低的参数高效微调方法。

微调适合解决的是「怎么说」的问题：例如固定的回复风格、特定的输出格式、某类分类或抽取任务的准确度。它不擅长让模型记住频繁变动的业务知识，产品价格、库存、政策条款这类信息更适合放在知识库里通过 RAG 检索。

微调的前提是有足够数量且质量可靠的标注数据，还需要准备评测集来证明微调后确实优于原模型加提示词的方案。数据中如果包含个人信息或商业机密，要在训练前做好脱敏和授权确认。

实际项目中建议按顺序尝试：先优化提示词，再引入 RAG，确有必要时再考虑微调。国内云厂商的大模型平台大多提供在线微调服务，也可以基于开源模型私有化训练，选择取决于数据安全要求和运维能力。