Fine-tuning（模型微調）

Fine-tuning 是用大量範例資料重新調整模型參數，讓模型固定用特定語氣回答或在特定任務上表現更精準的技術。

很多企業一聽到「客製化模型」就直覺想做 Fine-tuning，覺得這樣才夠專屬、夠精準，但這其實是進階選項，而非起手式，貿然一開始就投入反而容易花錢卻看不到對應效果。Fine-tuning 適合場景已經穩定、且累積了足夠且品質一致的標註資料的情況，例如某類文件分類已經穩定運作半年以上，累積數千筆人工確認過的正確答案，模型行為也已經摸清楚哪裡需要微調、哪裡不需要。常見誤解是以為資料不足也能靠 Fine-tuning 補救——實務上，AI Agent 上線後通常需要 1-3 個月的資料累積期，才能觀察到明確的效率或成本改善數字，這段期間累積的資料量，往往還不足以支撐一次有意義的微調，貿然投入反而浪費預算又拖慢上線時程。資料量不足或場景仍在變動時，Fine-tuning 的投入報酬率通常不高，這時候用 RAG 先把知識庫串起來，讓系統邊運作邊累積真實回饋與使用數據，通常是更務實也更便宜的起點，等場景穩定、資料量到位後，再評估是否真的需要微調，而不是一開始就把它當成標準配備，不管場景合不合適都硬加進專案範圍裡。