微调是什么？和提示词、RAG 怎么选，一张对比表讲透

一句话结论：想让 AI 输出稳定的格式、语气或固定完成某个任务，才考虑微调；只是觉得模型知识不够新、不够全，用 RAG；剩下的绝大多数问题，把提示词写好就够了。

先看一个比喻：三种方案对应三种考试

把「让 AI 干活」想象成一场考试，三种方案就是三种考法：

1. 提示词像给一个聪明人出考题：他本身什么都会，你把题目说清楚，他就能答好。成本几乎为零，立刻见效。
2. RAG 像开卷考试：他不背书，你把资料摊在桌上让他照着答。适合知识经常更新的场景。
3. 微调像把孩子送艺校：入学前是普通孩子，经过长时间专门训练，出来后就带着固定的唱法和台风。适合需要固定风格和技能的场景。

提示词：最便宜、最灵活的第一选择

提示词就是你发给模型的指令。模型本身已经学过海量知识，多数时候你只需要把要求说清楚：背景是什么、要什么格式、给一两个例子。它的好处是零成本、秒级见效、随时能改，不满意推翻重来就行。

想系统学怎么写，可以看这篇《如何向 AI 提问：普通人可直接套用的提示词方法》：https://www.ai345.info/ai-guide/prompt-writing-guide

RAG：开卷考试，专治「知识不够新」

RAG（检索增强生成）的做法是：先从你的资料库里检索出相关内容，再把检索结果连同问题一起交给模型，让它照着资料回答。

它解决的是模型「不知道」的问题：训练数据里没有的私有知识、过时的信息、需要天天更新的内容，都靠 RAG 补。代价是每次都要多付检索和更长上下文的 token 费用（怎么省钱可以看这篇省 token 指南：https://www.ai345.info/ai-guide/how-to-save-token），资料塞太多还可能触发上下文超限，比如《Ox Alpha 报错怎么办》里讲到的上下文超限就是典型场景：https://www.ai345.info/ai-guide/ox-alpha-errors-fix

微调：送艺校，专治「行为不稳定」

微调（fine-tuning）是在一个已经训练好的模型上，用你自己的示例数据再训练一轮，让它在特定任务上表现更稳定。按维基百科的定义（https://en.wikipedia.org/wiki/Fine-tuning_(deep_learning) ），它属于迁移学习的一种：复用模型原来学到的知识，去适配一个更具体的任务。

OpenAI 官方文档对监督微调的描述很直白：用「正确答案示例」训练模型，让它更可靠地输出你想要的风格和内容。门槛也不高：最少 10 条示例，官方建议先准备 50 条高质量示例去试效果，50 到 100 条通常就能看到明显提升。

但要注意：微调擅长改变「行为」（格式、语气、风格、任务熟练度），不擅长补充「知识」。想让模型知道你公司最新的产品价格，微调不是正确答案，RAG 才是。

一张对比表讲透三方案

官方也是这么建议的

OpenAI 在官方优化指南里把三条路讲得很清楚：先从提示词开始打基线；如果模型缺知识（训练集里没有、已经过时、属于私有信息），走上下文优化，也就是 RAG；如果输出格式不一致、语气不对、推理不稳定，才动微调。官方还特别强调提示词工程「通常是最好的起点」，像摘要、翻译这类任务，把提示词写好就可能直接达到生产可用。详见 Optimizing LLM Accuracy。

场景化推荐：如果你是这几种人

1. 产品经理做功能验证：先用提示词，快，随时推翻重来，别一上来就想着训练模型。
2. 做客服机器人或企业文档问答：选 RAG，知识库天天变，只有开卷考试跟得上。
3. 每天大批量产出固定格式内容（工单摘要、商品文案、周报初稿）：提示词调到极限还不稳，再上微调。
4. 大多数实际项目是组合拳：官方给出的典型优化路径就是微调提升稳定性，再用 RAG 补知识，两者叠加使用。

微调不是银弹：三个坑

1. 数据质量决定一切：示例里有什么毛病，模型就学什么毛病，垃圾进垃圾出。
2. 先评测再投入：官方明确提醒，先搭好评测，确认微调后的模型确实比原模型好，再继续加数据，否则钱白花。
3. 平台在收缩：OpenAI 已宣布微调平台不再对新用户开放，动手前先确认你用的平台还支持这个能力。

延伸阅读

把这篇吃透后，建议按这个顺序接着读：

• 卡兹克的 AI Skill 实践合集：storage-analyzer 等 6 个热门 Skill 怎么用
• AI 润色怎么用？5 步提示词工作流，改完不显 AI 味（2026 实测）
• Fable 5.1 泄露了什么？偷跑事件、系统提示词"签名锁"与开发者影响全解
• MeiGen 是什么：免费 AI 提示词画廊与设计平台完整使用指南（2026）