要点一：改行为不改事实
微调擅长让模型稳定输出某种格式、遵循固定话术、按行业习惯组织内容，但不适合存放随时变化的价格、库存与政策。为什么？因为事实一旦更新就要重新训练，而检索只需换文档，维护成本完全不在一个层次。
要点二：数据质量优先
几百条干净、标注一致的样本，往往好过几千条来源混乱的数据。同一类问题在不同标注人手里不能出现相反答案，为什么强调一致性？因为噪声比空数据更有害，模型学到的是矛盾信号，效果自然不稳。
要点三：方法按条件选
全参数微调成本高、周期长；LoRA 一类低秩方法只训练少量参数，显存与时间要求低，适合多数企业起步。量化后再微调能进一步降低门槛，但如何选型要看显存、周期与效果要求，最后仍需评测确认可接受。
要点四：评测与遗忘
微调会让模型在特定任务上变好，也可能在其他任务上退化，这就是灾难性遗忘。必须保留一组通用能力测试与原有任务测试，每次训练后同时跑，确认没有把已有能力换掉，否则得不偿失，这就是遗忘的边界。
要点五：许可与合规
要确认基座模型的许可是否允许商用与再分发，训练数据是否有权使用，是否包含个人信息。面向公众提供服务时，还需按相关规定履行备案或登记义务，并在生成内容上按标识要求处理，边界要提前问清。
适用与不适用
适合谁
- 输出格式要求严格、话术统一的业务
- 有稳定标注团队与固定评测集的企业
- 需要私有化部署、控制推理成本的场景
不适合谁
- 知识频繁变化、需要即时更新的场景
- 没有标注能力与评测基础的小团队
典型场景
某呼叫中心希望坐席回复更统一，先用三百条优质对话做微调，让模型按固定结构输出开场、方案与结束语。训练后跑通用能力与原有问答测试，确认没有退化才小范围上线，事实类问题仍由检索提供依据，两者分工明确。
可执行步骤
- 先用一句话写清要改变的行为，例如输出格式、固定话术与段落结构
- 整理标注口径一致的训练样本，并提前划分训练、验证与评测三部分
- 先选低秩微调方案起步，把单次成本与迭代周期控制在可承受范围内
- 每次训练之后都要同时跑目标任务、通用能力与安全这三大类测评集
- 在上线前逐项确认基座模型许可、训练数据授权与生成内容标识要求
常见坑
- 用微调存放政策与价格，每次改版都要重新训练，团队被迫长期维护多个模型版本与数据。
- 训练样本的标注口径不一致，模型学到互相矛盾的答案，效果反而下降，问题也很难排查。
- 只测目标任务而不测通用能力，微调之后模型在其他场景明显退化，业务侧却迟迟无人发现。
- 忽略基座许可与数据授权，等到商用或对外服务时才发现不能这样用，只能临时下线重做。
自检与验收清单
- 要改变的行为是否写得足够具体，并且可以测量
- 训练样本的标注口径是否统一，是否做过抽检
- 是否保留通用能力测试集，并与基线做过对比
- 基座模型的许可与训练数据授权是否都已确认
- 生成内容的标识是否已按相关规定处理并留痕
常见问题
微调能替代检索吗？
高质量项目通常需要。公开数据可以补充通用能力，但企业特有的格式、术语与判定标准只能自己标。外包标注也要给出规范与抽检比例，否则口径很难统一，返工成本更高，加数据只是掩盖问题，根因仍然在。
需要多少条训练数据？
取决于任务复杂度。格式与话术统一类任务，几百条高质量样本通常可以起步；涉及复杂判断与多轮流程时，需要更多样本与更细的标注规范，盲目加量不如先把口径统一。
微调后效果会下降吗？
把训练数据、配置与评测结果都纳入版本管理，每次更新保留上一版可回滚。定期用新样本复测，发现退化就回退或重训，避免模型在无人察觉的情况下慢慢偏离业务要求。