夜雨聆风上一篇我们聊了 Evaluation——怎么量化判断 AI 输出的好坏，让优化不再靠运气。
但 Evaluation 解决的是"评分"问题。如果你发现：不管怎么改 Prompt，AI 的输出始终差那么一点——语气不对、格式不对、领域知识不够——那问题可能不在 Prompt 上。
问题在模型本身。
今天我们来聊一个听起来很吓人、但其实门槛已经很低的东西——Fine-tuning（微调）。不需要写代码，不需要买 GPU，用最低成本让 AI 变成你的"专属员工"。
什么是 Fine-tuning？
一句话：用你自己的数据，在现有大模型的基础上"再训练一轮"，让它变成某个领域的专家。
打个比方：
大模型 = 一个啥都会一点的应届毕业生 Fine-tuning = 给他做了3个月的岗前培训 培训完的模型 = 你公司的老员工，知道你们的行话、风格、流程
Prompt 是"每次告诉他怎么做"，Fine-tuning 是"让他记住怎么做"。
什么时候该用 Fine-tuning？
不是所有场景都需要。判断标准很简单：
典型适合 Fine-tuning 的场景：
客服回复（公司话术、产品知识） 特定风格写作（品牌调性、行业术语） 数据提取（从特定格式的文档中抽信息） 代码生成（公司内部框架和规范）
零代码微调：3个平台实操
现在微调的门槛已经低到"上传文件 + 点按钮"的程度。介绍三个最主流的平台：
方案一：OpenAI Fine-tuning（最简单）
Step 1：准备数据
格式是 JSONL，每行一个对话样本：
{"messages": [{"role": "system", "content": "你是一个专业的房产顾问"}, {"role": "user", "content": "朝阳区有什么好的学区房？"}, {"role": "assistant", "content": "朝阳区目前热门学区房集中在..."}]}最少10条就能开始，建议50-100条效果较好。
Step 2：上传训练
进入 platform.openai.com → Fine-tuning → Create → 上传文件 → 选基础模型（推荐 gpt-4o-mini，便宜够用）→ 开始训练。
Step 3：使用
训练完成后会得到一个模型ID（如 ft:gpt-4o-mini:你的组织:自定义名:abc123），用这个ID调API就行，和普通调用完全一样。
费用参考：gpt-4o-mini 微调训练约 $3/百万token，100条数据训练一次大概几毛钱。
方案二：Google Vertex AI（适合企业）
Google 的 Vertex AI Studio 提供可视化微调界面，支持 Gemini 系列模型。上传数据集、配置参数、一键训练。适合已经在用 Google Cloud 的团队。
方案三：开源模型 + Unsloth（最灵活）
如果你想微调开源模型（如 Llama、Qwen），Unsloth 是目前最火的微调工具：
速度快：比传统方法快2-5倍 显存省：8GB显卡就能跑 免费：Google Colab 上就能用
# Colab 一键安装pip install unsloth上传数据、选模型、设参数、开训——全程不用写复杂代码。
数据准备：最关键的一步
Fine-tuning 效果好不好，90%取决于数据质量。
黄金法则
- 质量 > 数量
：50条高质量样本 > 500条凑数的 - 多样性
：覆盖尽可能多的场景和边界情况 - 一致性
：所有样本的风格、格式保持统一 - 真实性
：用真实业务数据，不要编造
快速造数据的技巧
没有现成数据？可以用"AI辅助 + 人工审核"的方式：
先用 ChatGPT/Claude 按你的要求生成20条样本 人工逐条审核修改，确保质量 把审核后的样本作为示例，让 AI 再生成更多 再审核一轮
这样50-100条高质量数据，1-2小时就能搞定。
评估微调效果
还记得上一篇的 Evaluation 吗？这时候就用上了：
- 留出测试集
：拿20%的数据不参与训练，专门用来测试 - 对比基线
：同样的问题，分别让原始模型和微调模型回答，用评分卡打分 - 迭代优化
：效果不好就加数据、调参数、重新训练
Prompt + Evaluation + Fine-tuning = AI 优化三件套。
常见误区
❌ "Fine-tuning 能让AI学会新知识" → Fine-tuning 主要改变模型的"行为模式"（怎么说），不太适合灌入新的事实知识。新知识用 RAG（第7篇讲的）更合适。
❌ "数据越多越好" → 100条垃圾数据训出来的模型，不如30条精品。先保证质量，再扩充数量。
❌ "微调一次就行了" → 微调是迭代过程。第一版通常不完美，需要根据评估结果持续优化数据和训练。
❌ "Fine-tuning 很贵" → gpt-4o-mini 微调100条数据不到1块钱。开源模型用 Colab 免费训练。门槛已经低到几乎为零。
小练习
今天就试试：
想一个你反复让 AI 做的任务（比如写周报、回复客户、整理数据） 从历史记录中整理10条"标准答案"，存成 JSONL 格式 到 OpenAI 平台上传，用 gpt-4o-mini 微调 对比微调前后的输出，感受差距
第一次可能不完美，但你会发现：让AI"记住"你的需求，比每次"告诉"它高效得多。
下一篇预告
下一篇我们聊 AI Skill#11：AI Agent 入门——让 AI 不只是回答问题，而是帮你完成整个任务。从 Prompt 到 Skill，从 Skill 到 Agent，AI 的能力正在从"工具"变成"同事"。
关注「AI引路者」，每天用大白话帮你搞懂 AI。看完就能用。
📦 回复「AI模板」获取 30 个实用 Prompt 模板，直接复制就能用！
