01
通用模型在专业问题上答不准
行业术语、内部口径、专业判断反复出现错误，靠调整提问方式改善有限。
- 适用情况
- 通用模型在专业问题上答不准
- 技术方式
- 基于公共大模型微调
- 前置条件
- 企业自有数据 + 可用的评测集
适用情况
什么情况下值得做专属模型
下面这些信号出现时，专属模型通常能带来明确收益；反之，先考虑成本更低的路线。
02
需要统一的专业判断口径
例如风险评估口径、技术方案取舍逻辑、审核判定标准——这些是需要稳定复现的能力，而不只是知识。
03
已积累可用的业务数据
有真实的历史记录、标准答复或案例材料，能构成"输入 + 符合企业标准的正确输出"这样的样本对。
04
对表达风格有稳定要求
对外文书、报告格式、客服表达需要长期保持一致，且这种一致性很难靠提示词稳定维持。
技术路线
先判断路线，再决定要不要训练
三种路线解决的是不同层面的问题。判断顺序应该是：能用提示词解决的不建知识库，能用知识库解决的不做微调。每往上一层，投入和维护成本都会明显增加。
| 路线 | 解决什么问题 | 什么时候选它 |
|---|---|---|
| 提示词工程 | 回答的语气、格式、角色与流程 | 问题只是表达不统一 |
| 知识库（RAG） | 模型不知道企业自己的信息 | 属于知识缺失，且知识更新频繁 |
| 微调本页方案 | 模型需要形成稳定的专业判断或表达风格 | 有标准答案样本，且能判断效果好坏 |
误区一：数据越多越好
样本质量的作用远大于数量。几百条贴近真实业务场景的高质量样本，通常比几万条格式混乱的历史文档更有效。低质量数据混进来，模型学到的会是错误模式。
误区二：微调后就不用知识库
微调擅长固化的能力与风格，不擅长承载频繁变化的事实。产品参数、价格政策、活动规则这类内容仍应放在知识库里，改一份文档即刻生效。
误区三：微调能解决幻觉
恰恰相反。微调如果用了不准确的数据，会加重模型的自信错误。控制幻觉更有效的方式是知识库加引用约束——让模型基于检索到的资料回答并给出出处。
交付内容
你会拿到什么
除了模型本身，更重要的是让企业知道怎么判断它好不好、边界在哪里。
01
数据整理与标注方案
明确用哪些数据、怎么清洗、哪些需要人工标注，以及数据使用的合规边界。
02
训练样本构建
把历史记录与标准答复整理成"输入 + 符合企业标准的输出"的成对样本。
03
评测集设计与基线
一起准备有代表性、有人工判定的测试问题，并记录微调前的表现作为对比基线。
04
专属模型微调
基于公共大模型完成训练与调优，产出企业专属模型。
05
效果对比报告
微调前后在评测集上的表现对比，说明哪些场景变好、哪些没有明显变化。
06
模型使用说明
适用边界、调用方式、与知识库的配合方式，以及后续如何继续迭代。
交付流程
每个阶段，双方各做什么
模型训练的效果很大程度取决于样本与评测集的质量，这两件事都需要企业深度参与。
| 阶段 | 我们做什么 | 需要企业配合 | 阶段产出 |
|---|---|---|---|
| 场景与路线确认 | 判断问题类型，确认是否真的需要微调 | 说明业务目标与判断标准 | 技术路线建议 |
| 数据评估 | 评估现有数据能否支撑训练，识别缺口 | 提供数据、指定业务专家参与 | 数据整理与标注方案 |
| 样本与评测集 | 构建训练样本与测试问题集，记录基线表现 | 确认标准答案、参与评测判定 | 训练样本与评测集 |
| 训练与评测 | 完成微调并在评测集上对比效果 | 抽查实际回答质量 | 专属模型与效果对比报告 |
| 交付与迭代 | 交付模型与使用说明，持续优化 | 提供真实使用反馈 | 模型使用说明与迭代建议 |
各阶段的具体周期取决于数据现状与任务复杂度，会在场景确认阶段给出明确排期。
配套方案
和这几段能力配合使用
企业 AI 解决方案咨询
不确定要不要做微调时，先做一次诊断把技术路线判断清楚。
了解方案AI 智能体应用定制开发
把训练好的模型接入具体业务流程，做成可用的智能体应用。
了解方案企业 AI 数字员工系统
专属模型可作为数字员工的专业能力来源，在多个岗位上复用。
了解方案常见问题
关于模型训练
需要多少数据才能做微调？
没有统一标准，取决于任务复杂度与数据质量。样本的"代表性"比数量更重要——能覆盖真实业务场景、且有明确标准答案的样本才有价值。我们会在数据评估阶段给出具体判断。
我们没有标注好的数据怎么办？
多数企业一开始都没有。常见做法是从历史记录、真实问答与业务文档中提取，再由企业业务专家确认标准答案，必要时组织小规模人工标注。这部分工作会在方案中明确分工。
怎么知道微调之后真的变好了？
靠评测集对比。我们会先记录微调前在测试问题上的表现作为基线，训练后再跑一遍同一套问题，并给出对比结果——包括哪些场景变好、哪些没有明显变化。没有评测集就只能是盲调。
数据安全怎么保证？
训练数据往往涉及企业的核心资产。数据范围、使用方式与部署方案会在方案设计阶段明确并写入实施方案，涉及核心工艺或客户信息的场景会先确认边界。