微调（Fine-tuning）是指在已经用大量数据训练好的AI模型基础上，针对特定任务或用途进行额外学习，以调整模型的输出倾向和行为的技术。
从零开始训练AI需要庞大的数据和计算资源，但基于已有模型进行微调，则可以用较少的数据和计算成本，打造适合特定用途的AI。
例如，微调常用于分类客户咨询邮件、统一公司内部文件的表达方式、调整客服回答的语气、适应专业领域的表达等场景。
简而言之，微调就是调整AI“回答方式”或“判断习惯”的技术。
微调更侧重于让AI掌握“工作模式”而非单纯“知识”
很多人认为微调是让AI学习新知识。确实，通过特定领域的数据训练，模型可以更擅长该领域内容。
但如果目的是让AI掌握频繁更新的信息，比如最新的公司规章或产品规格，使用【第8回】介绍的RAG（检索增强生成）技术通常更合适。RAG通过实时检索外部资料来回答问题，更新资料即可轻松更新信息。
而微调擅长的是改变AI的“行为”或“工作模式”。
比如，将咨询邮件自动分类、让客服回答符合公司方针、统一内部文件的表达规范等，都是让AI学习“在本公司如何回答”、“在本业务如何判断”的模式，微调非常适合这类需求。
可以把RAG比作“查阅资料后回答”，而微调则是“学习工作礼仪”，它不是死记硬背知识，而是调整回答方式和判断习惯的技术。
通过调整权重改变模型的“习惯”
正如【第11回】介绍的“开放权重模型”，AI模型包含大量参数，也就是“权重”。
微调就是调整这些权重，或者新增权重，从而在保留基础模型能力的同时，更好地适应特定用途。
例如，学习某行业的专业术语后，模型的表达会更贴合该领域；学习过往咨询及正确回答后，模型能更准确地按照公司方针回复类似问题。
此外，还可以调整输出倾向，比如避免不当表达、统一回答格式、简洁回答或详细说明等。
虽然微调也需要计算资源，但相比从零训练AI，效率高得多。它的优势在于以已有智能为基础，仅针对需要的部分进行定制。
微调与RAG的区别
那么，微调和【第8回】介绍的RAG有什么不同？
RAG是通过参考公司手册、数据库等“外部词典”来回答问题，适合处理最新或频繁更新的信息。
而微调是调整AI模型本身的行为，包括回答形式、判断习惯、文体风格以及专业领域适应性等。
换句话说，RAG是“让AI读资料”，微调是“让AI学工作礼仪”。
在实际应用中，二者往往结合使用：用RAG检索公司资料，用微调调整回答风格和业务判断模式。
微调并非简单地向AI灌输知识，而是让AI适应企业或特定业务“做事方式”的技术。
