什么是 AI 微调（Fine-Tuning）？60 字精准定义
微调（Fine-Tuning）是指把已经训练好的 AI 模型（例如 GPT-4、Claude），再用你公司的实际数据——过往客户邮件、产品描述、内部文件——进行额外训练，让 AI 学会你的语气、规则和工作流程。通用模型提供的是基础智能，微调为模型加上你业务的「独特指纹」。
简单比喻：就像你聘请一个已经懂英文的大学毕业生，再花一星期教他认识你的菜单、供货商名单和回复客人的语气。那一星期的在职培训，就是微调。
你不是从零开始建立 AI，而是把一个已经够聪明的模型，调教成符合你业务需要的样子。
AI 微调到底如何运作？
微调的核心机制是：把几百至几千组「输入—输出」范例喂给模型，让它调整内部的权重，令将来的回应更贴近你的范例。
举例：一家餐厅准备 800 条过往客户查询，配上 800 条员工实际回复，打包成训练数据。完成微调后，模型未来的回复会自动贴近真实员工的语气、礼貌程度，甚至包含本地方言与英文混合的用字方式。
三个关键步骤：
--- 第一步：收集范例。通常需要 300 至 2,000 组高质量的「输入—输出」配对，来自过往邮件、对话纪录、FAQ 等。
--- 第二步：上传与训练。将范例上传到 OpenAI、Anthropic 或自建模型，训练时间一般 1 至 6 小时，视数据量而定。
--- 第三步：获得专属模型编号。你会获得一个独有的模型 ID（例如 ft:gpt-4:your-company:2026-04），日后调用时用这个编号代替通用模型。
你得到的不是「新」的 AI，而是「你的」AI——底层智能一样，只是风格已经贴近你业务。
微调与提示、RAG 有什么分别？
提示（Prompting）、RAG（检索增强生成）和微调是三种不同的 AI 定制化方式，解决的问题不一样。提示每次改变指令；RAG 执行时查找文件；微调则是改变模型本身。
一个方便记忆的比喻：
--- 提示像是每早都给新员工一份新指令。成本低、有弹性，但下一次对话就会忘记。
--- RAG 像是给员工一个文件柜，他需要时自己去查。对「事实」表现出色，对「语气」相对较弱。
--- 微调像是把员工送去一星期的入职培训。完成之后，行为模式就已经内建。
根据 OpenAI 2024 年的开发指引，大部分业务场景应该先由提示开始，有需要查事实才加入 RAG，只有当「风格、格式或特定行为」比「知识」更重要时，才应考虑微调。
香港中小企什么时候才值得微调？
当你的业务有一个重复出现、但单靠提示无法稳定捕捉的模式——例如特定语气、结构化输出格式、或者行业专门用语——那就是微调发挥价值的时候。一次性任务或普通问答，微调反而是杀鸡用牛刀。
值得微调的强烈讯号：
--- 你希望客服回复必须完全贴近品牌语气——亲切、正式、或者特定的本地化混合风格。
--- 你需要 AI 每次都以同一个严谨格式输出——例如把发票资料整理成会计软件接受的特定 JSON 结构。
--- 你涉及大量行业专门词汇——物业合约条款、保险条文、医疗收费代码——通用 AI 经常有些微偏差。
--- 你希望用较小、较便宜的模型（例如 GPT-4o mini、Claude Haiku）达到大模型的水平。OpenAI 2024 年的基准测试显示，微调后的 GPT-4o mini 在特定任务上可达到 GPT-4 的质素，但成本只有大约十分之一。
不建议微调的情况：你只有 20 至 30 个例子；你真正的问题是 AI 缺乏资料（这种情况用 RAG）；或者你还未确定 AI 是否能解决这个问题。
微调对小型企业来说成本多少？
微调的成本分两部分：一次性的训练成本，以及之后每次使用模型的计算成本。以香港中小企的典型情况计算，首年总成本通常介乎港币 800 至 8,000 元之间——远低于大部分老板想像中的数字。
典型成本结构（以 OpenAI GPT-4o mini 2026 年定价为例）：
--- 训练费用：大约每一百万训练 token 收费 3 美元。1,000 个例子、平均每条 500 字的数据集，一次训练费用大约 7 至 15 美元。
--- 使用费用：微调模型每次调用大约是通用模型的 2 倍。如果店铺每日处理 200 条 AI 草拟的客户回复，每月大约 15 至 40 美元。
--- 工程时间：这才是真正的大头。准备一个干净的数据集，通常需要 10 至 30 小时的员工或外包时间。
对比香港一名兼职客服月薪 15,000 至 25,000 港元，微调在重复性工作流程上几乎一定划算。
微调最常见的错误有哪些？
最昂贵的微调错误，通常在训练开始之前就已经犯下——错在数据本身。Gartner 2024 年一份企业 AI 项目分析指出，85% 的微调失败，根本原因是数据质素问题，而不是模型问题。
中小企最常跌进的四个陷阱：
--- 例子太少。少于 50 对输入输出，微调后几乎等于没微调。大部分任务需要 300 对以上的干净例子。
--- 风格不一致。一半例子轻松、一半例子正式，结果模型学会「随机不一致」，比不微调更差。
--- 语言混合但结构混乱。香港数据经常混用英文、繁体中文和粤语——可以接受，但每一个例子内部必须保持一致。
--- 把提示能解决的问题拿来微调。很多「要微调」的需求，其实一个下午写一个好的提示模板就能解决。永远先试提示，再决定是否微调。
处理方法永远一样：先清理数据、先测试纯提示版本、当差距真实且持续存在时才微调。
微调模型可以用多久才需要重训？
微调模型的价值会持续，直到你的业务数据或语气出现明显改变为止。当产品线、定价或品牌语气大幅更新时，就要重新训练。大部分香港中小企的做法是 6 至 12 个月重新微调一次。
微调下面的基础模型本身也在进化。当 OpenAI 推出 GPT-5、Anthropic 更新 Claude 时，你的微调仍然绑定在旧版基础模型上，直到你选择升级。这不是缺点，反而是优点——代表新模型发布当日，你的 AI 行为不会无故变样。
常见做法是：每季安排一次「微调更新」，配合产品或定价调整。成本不高（通常一次低于 500 港元），但能保持模型与现实业务同步。
香港中小企老板的结论
微调已经不再是大型企业的专利。一间拥有 500 条客户邮件纪录的小店，数据量已经足够训练一个能 24 小时用自家语气回复客人的专属 AI，而成本不到一名员工一个月的薪金。
真正的障碍，不是技术，而是不知道从何入手——要收集什么数据、选哪个模型、甚至「微调」究竟是不是你那个问题的答案。这正是 AI 顾问伙伴存在的理由。
懂AI，更懂你。UD相伴，AI不冷。
让 AI 真正听得懂你的业务语言
微调听起来好像很技术，但它背后的决定，其实全部都是业务决定，不是工程决定。
UD 与香港中小企同行 28 年，手把手教你每一步：评估你的业务是否适合微调、整理你的数据、选择合适的基础模型，到最后部署属于你的专属 AI 员工。
你带业务来，我们带 AI 专业知识。