微调基础与常见范式（小白友好版）
目录
微调到底是什么
微调（Fine-tuning）可以理解成“在通用模型基础上做定向训练，让它更擅长你的场景”。
和 Prompt 不同，微调会改变模型参数，因此会对风格、格式稳定性、任务表现产生长期影响。
一个直观例子：
- 只用 Prompt：每次都要写很长规则，输出仍可能不稳定
- 做过微调：模型天然更懂你的任务模板，提示词可更短，结果更稳
什么时候应该微调
一般建议满足以下条件再考虑微调：
- 任务固定且重复（如客服分类、结构化抽取）
- 你有一定规模高质量标注数据
- Prompt 与工作流优化已经做到一定水平
如果任务变化快、数据少、预算紧，通常先用 Prompt + RAG 更划算。
常见微调范式对比
- SFT（监督微调）：最常见，使用输入-输出样本训练
- LoRA/PEFT：参数高效微调，成本更低，适合多数团队
- 全量微调：资源消耗最大，通常是大厂或特定高价值场景
微调项目全流程
微调后的前端适配重点
- 输出格式可能更稳定：可减少前端兜底复杂度
- 响应延迟可能变化：要重新测 TTFT 和总耗时
- 版本切换要可回滚：前端保留模型版本可见性