AI入门27｜Fine-tuning微调是什么？它和RAG、知识库有什么区别？
讲完RAG以后，还有一个经常被混在一起的词：
Fine-tuning。
中文通常叫：
微调。
很多人会说：
“我把公司资料上传进去，把模型微调一下。”
其实很多时候，这并不是微调，而只是做了知识库或RAG。
先记住一句话：
微调，是在一个已经训练好的模型基础上，用新的训练数据继续调整模型参数，让它更稳定地表现出某种能力或行为。
一、为什么叫“微调”？
一个大模型在预训练阶段已经学习了大量通用能力。
没有必要为了一个企业或一个具体任务从零重新训练。
更常见的做法是：
拿现成模型；
准备一批针对性的训练样本；
继续训练一段时间。
这就是 Fine-tuning。
可以把它理解成：
不是重新培养一个人，而是在已有基础上做专项训练。
二、微调通常想改变什么？
它更适合改变模型的：
回答风格；
固定格式；
任务习惯；
专业分类能力；
特定场景下的行为模式。
例如一个客服模型，希望它始终按照统一语气和结构回答；
或者一个分类模型，希望它能更准确地区分企业内部的几十种业务标签。
这些都可能适合微调。
三、微调不是最适合“塞最新知识”的方法
比如你想让AI知道：
2026年刚更新的法规；
公司昨天发布的新制度；
今天新增的项目材料。
这类信息经常变化。
如果每次更新都重新训练模型，成本很高，也不好维护。
更常见的做法是：
把最新资料放进知识库，通过RAG在需要时检索。
所以：
需要更新知识，通常优先考虑RAG。
需要改变模型行为，才更可能考虑微调。
四、微调和RAG最核心的区别
可以用一个简单比喻。
RAG像：
考试时允许查资料。
模型本身没变，只是在回答之前找到了相关材料。
微调像：
在考试前进行专项训练。
训练结束以后，模型本身已经发生了一些变化。
所以：
RAG改的是模型拿到的信息。
Fine-tuning改的是模型本身。
五、微调和Skill也不是一回事
Skill是Agent层面的工作方法。
它可以告诉Agent：
按照什么步骤；
调用什么工具；
输出什么格式。
但模型参数并没有改变。
Fine-tuning则直接调整模型参数。
所以一个Agent完全可以：
使用一个微调过的模型；
同时再调用若干Skill；
再连接一个RAG知识库。
它们属于不同层次。
六、律师工作是不是一定要做法律模型微调？
不一定。
这是一个很常见的误区。
如果目标只是让AI：
引用内部模板；
查现行法规；
使用历史案例；
按照固定审查流程工作，
很多时候更适合先解决：
知识库；
RAG；
Skill；
提示词和项目规则。
只有当已有模型在某一类稳定任务上的行为始终达不到要求，而且有足够高质量训练数据时，微调才更值得考虑。
七、微调也有成本
微调不是把几十份文档丢进去按一下按钮就结束。
真正有效的微调往往需要：
高质量训练样本；
明确任务目标；
训练和测试数据；
效果评估；
版本管理。
如果训练数据本身有问题，模型也可能把问题学进去。
所以微调的关键不只是技术，而是：
训练什么。
八、为什么普通用户也应该知道“微调”？
因为以后看到一个产品宣传：
“我们训练了行业模型”
“我们微调了法律模型”
“企业可以定制模型”
你就应该继续问：
它到底是重新训练了模型？
做了Fine-tuning？
还是只是接了知识库和RAG？
三者的技术含义和实际效果完全不同。
九、这一篇只需要记住三句话
RAG：回答前给模型找资料。
Skill：告诉Agent一类任务怎么做。
Fine-tuning：继续训练模型，让模型本身的行为发生变化。
把这三层分开以后，很多“企业AI”“行业模型”的宣传就容易看懂了。
