微调不是万能药，选对路径才省力

很多团队一提“提升 AI 效果”就想到微调，我踩过坑之后的结论是：微调往往是最后的选择，而不是第一反应。

先问自己：Prompt 真的优化到位了吗？ 大量场景下，一个精心设计的 prompt（明确角色、结构化要求、给足示例）就能达到微调八成的效果，成本却低一个数量级。先用尽 prompt 工程，再考虑下一步。

RAG 解决“知识”问题，微调解决“行为”问题。 这个区分是关键：模型缺少领域资料，用检索增强就好，知识更新也不用重新训练；但模型如果连输出风格、格式规范、术语习惯都学不会，这才是微调的用武之地。想清楚问题属于哪类，别用错工具。

微调前先算三笔账。 一是数据账：至少几百到上千条高质量标注样本，你拿得出吗？二是维护账：模型迭代后要不要重新微调？三是收益账：效果提升能否覆盖训练和推理成本？

小模型 + 微调 often 是最优解。 需要长期高频跑的成熟任务，把微调后的小模型推上生产，比一直调大模型省钱得多——前提是效果经过严格对比验证。

别忘了 LoRA 这类轻量方案。 全量微调成本高企，参数高效微调让个人和小团队也玩得起。

总结：从 prompt 到 RAG 到微调，是一条成本递增的阶梯。按阶梯逐级尝试，用评估数据决定是否升级，别一步登天。