大模型微调入门：什么时候需要微调，LoRA 怎么用
提示词搞不定的问题，就该微调吗？本文讲清微调的适用场景、和 RAG 的区别，以及为什么大家都用 LoRA。
"微调（Fine-tuning）"听起来高大上，但并不是所有问题都要微调。用对了事半功倍，用错了浪费时间和算力。本文帮你判断和上手。
一、先分清:微调 vs 提示词 vs RAG
- 提示词：改改问法就能解决 → 先试这个，最省事。
- RAG：需要模型知道"你的资料/最新知识" → 用检索增强，别微调。
- 微调：需要改变模型的风格、格式或固有能力（如固定输出结构、特定语气、专业领域表达）时才用。
二、什么时候真的需要微调
典型场景：让模型稳定输出某种固定格式、模仿特定写作风格、在垂直领域（法律、医疗术语）表达更地道、把复杂提示词"固化"进模型以省 token。
三、为什么大家用 LoRA
全量微调要动整个模型，成本高。LoRA 只训练一小部分"适配器"参数，省显存、快、便宜，效果却接近全量微调，还能像插件一样按需加载。这让个人和小团队也玩得起微调。
四、微调的大致流程
- 准备高质量数据（几百到几千条"输入-期望输出"样本，质量比数量重要）。
- 选底模 + LoRA 配置，跑训练（可用现成框架或平台）。
- 评测：拿没见过的样本测效果，别只看训练集。
五、建议
先穷尽提示词和 RAG，确实不够再微调。微调的成败七成在数据——数据干净、标注一致，效果才好。