图 1：本文封面，点明主题「微调的完整流程」。
你的提示词是不是越写越长？为了让 AI 固定输出某种格式、某种语气，你在提示词里塞了十几条规则、七八个示例，结果它还是隔三差五跑偏。每改一处，另一处又冒出来。到这一步，很多人第一次听说「微调」这个词——但别急，微调不是提示词失效后的默认下一站，它有自己的适用边界和完整流程。
先想清楚：微调到底解决什么
微调能稳定改变的是模型的「行为习惯」：输出格式、语气风格、特定领域的表达套路——把成百上千个「正确的输入输出样例」喂给它，让行为内化进权重，而不用每次在提示词里重申。
微调不解决的是「知识更新」。让它知道你的新产品参数、上周的行业新闻，靠微调既慢又危险（它会把记错的知识一本正经地说出来），这类问题该用检索增强：把资料放在提示词里喂给它。所以动手前先做这道判断题：我的问题是「它不知道」，还是「它做不到稳定的风格与格式」？前者补知识，后者才轮得到微调。提示词加知识库真的不够了，再往下走。
五步流程：从数据到上线
第一步，准备数据。这是整个流程里最重的一步，没有之一。主流格式是 JSONL——每行一个 JSON 对象，装着「提示 + 理想回答」的配对：
{"messages":[{"role":"user","content":"客户说太贵了"},{"role":"assistant","content":"理解您的顾虑。我们按年付可以省两个月费用，我帮您算一下？"}]}
原则只有一条：质量优先于数量。几百条精心撰写、风格统一的样例，胜过几千条东拼西凑的脏数据——模型会忠实地学走数据里的一切，包括你的笔误和敷衍。
第二步，上传并创建微调任务。把 JSONL 传到平台，选择基础模型、训练轮数等参数，启动任务。门槛比想象低：不需要自己买显卡、搭框架，平台托管了算力。
第三步，训练并观察。盯训练损失曲线：持续下降是正常的；降得太狠、在验证数据上反而变差，就是过拟合的信号——它把样例背下来了，换个说法就不会。
第四步，评估对比。准备一批没参与训练的测试题，让微调版和原版同题作答，盲测对比。不达标就回到第一步改数据——微调失败，九成是数据的问题，不是参数的问题。
第五步，部署调用。拿到新模型名，代码里把原来的模型名换掉即可，改动极小。有的平台要求微调模型先部署才能评测和调用，流程上多一步，本质相同。
图 2：五步流程、前置决策与成本风险。
平台现状：先看清楚再上车
这一步必须查最新信息，因为格局正在变。截至本文核验时，OpenAI 官方文档写明其微调平台正在收缩：不再对新用户开放，存量用户在未来几个月内仍可创建训练任务，已有微调模型可继续用于推理直到对应基础模型退役。国内平台则是另一番景象：以阿里云百炼为例，官方文档显示千问等模型支持在线微调，训练按 Token 计费（公式为训练数据 Token 数乘以循环次数再乘以单价），经高效微调后的模型还支持按调用量计费。一句话：方法通用，但选哪家平台、选哪个基础模型，动手前以各家官方页面为准。
成本与风险，提前摆上桌
成本两头都要算：训练本身要花钱，微调模型的调用单价通常还高于原版。风险有三个：数据里混入机密信息，会随模型权重一起「存」下来，等于把秘密训练进了模型；数据偏科会让模型过拟合，在样例外的任务上变笨，通用能力被牺牲；最后还有隐性成本——基础模型迭代很快，你微调好的模型可能半年后就面临基座退役、重训一遍的问题。
三个常见误区
误区一：把微调当知识库使。想让模型记住公司全部产品文档去微调，结果又贵又不可靠，检索才是正解。
误区二：数据量崇拜。上来就攒几万条，质量参差，不如先把三百条打磨到「每条都是你心目中的标准答案」。
误区三：训完就上线。跳过评估对比，等于闭着眼睛发布。微调版和原版的同题盲测，是上线前不可省略的一关。
给你的行动建议
如果看完前置决策，你的问题其实属于「它不知道」，把微调的念头收起来，先把检索做好。如果确实属于「风格格式不稳」，最小验证路径是：手写五十到一百条高质量样例，跑一次最便宜的微调任务，用二十道测试题对比微调前后——整套验证成本可控，答案用数据说话。
你做过微调吗？是数据准备、效果评估还是成本把你拦住的？欢迎聊聊你的经历。