一句话定义：微调是在一个已经预训练好的基础模型上，用你自己的数据继续训练，让模型把某类任务的做法、语气和格式“内化”到参数里。
打个比方：预训练（Pre-training）像让模型接受通识教育，微调像入职培训。新员工懂语言和常识，但不知道你公司的工单分类、客服话术、合同审阅习惯。你拿一批“输入—理想输出”样本继续训练，模型不是把样本原样背下来，而是慢慢形成条件反射：看到类似问题，就更可能按你的标准回答。训练数据质量、覆盖场景和标注一致性，往往比数量更重要。
和提示词工程（Prompt Engineering）的边界：提示词工程不改模型参数，只在上下文里把要求说清楚；微调会改参数，把要求写进模型本身。一个常见的判断顺序是：先用提示词快速验证。如果规则能用几段话描述、任务经常变化、样本很少，优先提示词。反过来，如果格式和风格非常稳定、重复量很大、隐性规则很难用文字写全，或者提示词已经长得难以维护，才考虑微调。微调也不是知识库：需要频繁更新的事实，通常更适合AI 词典：检索增强生成">检索增强生成（Retrieval-Augmented Generation, RAG），把最新资料检索出来再交给模型。
| 对比维度 | 提示词工程 | 微调 |
|---|---|---|
| 是否改模型参数 | 否 | 是 |
| 数据需求 | 少量示例即可起步 | 需要成规模、高质量、标注一致的样本 |
| 更新速度 | 改提示词就生效 | 要重新训练和部署 |
| 适合场景 | 通用任务、规则可写、快速试错 | 稳定重复任务、私有风格/格式、提示词难描述 |
| 主要风险 | 受上下文长度影响、效果可能不稳 | 过拟合、遗忘通用能力、维护成本高 |
对从业者和普通职场人的意义：遇到效果不好，先别默认“微调一下就好了”。先检查提示词是否清楚、给了示例没有、是否需要检索外部资料。确实要微调时，把它当成一个产品项目：定义评测标准，准备干净数据，留出验证集，上线后持续监控。微调不是魔法，它只是把“你反复教模型的事”固化下来；教什么、教得对不对，仍然由人决定。