怎么微调 AI？
停！谁跟你说的?
微调不是普通人能做的事，也不是你想的“投喂几篇资料”就叫微调。你上传文件、写自定义指令、建知识库，通常只是提示词、上下文或 RAG，离微调还差得远。
所以，学好 AI，我们有必要先了解一些 AI 相关的基础概念。
这篇文章不教你造 AI，也不堆术语。它只做一件事：帮你补齐普通人最该懂的 AI 基础概念，从 AIGC、Token 到 LLM、RAG、微调、Agent，搭起一张属于你的 AI 认知地图。地图有了，路就不会越走越乱。
AIGC
AIGC（Artificial Intelligence Generated Content）， 就是人工智能生成内容，包括文字、图片、音频、视频、代码等各类内容。
以前你请写手、画师、剪辑师；现在你可以先让 AI 出初稿，自己再做导演。
它把“内容生产”从纯手工变成了人机协作，普通人也能快速做文案、配图、PPT、短视频脚本。
AIGC 生成的不等于真实，也不等于没有版权风险。它可能编、可能抄、也可能偏。所以事实要核查，版权要留意，重要内容必须人工把关。
这里稍微提一下，可能我们也会经常听到AGI这个词。AGI（Artificial General Intelligence）：通用人工智能，具备和人类相当、能理解、学习、完成任意智力任务的人工智能，不局限单一领域。
AIGC：专注生成内容的 AI（当前我们在用的这类）
AGI：拥有通用思考能力的 AI，目前还属于理论目标，尚未实现。
LLM
LLM（Large Language Model）是指大语言模型，基于海量文本数据训练的大型模型，擅长理解和生成人类语言，是现在 AIGC 里文本类产品的核心底座（技术底座)，比如各类对话 AI 就依托 LLM。
你可以把它理解成 AI 工具（产品）背后的“大脑”。ChatGPT、Claude、Kimi、豆包AI、通义千问、DeepSeek 这些工具用起来不一样，首先就是因为它们背后的“大脑”不一样。AI 工具出厂设置不同，有的文科强，有的理科强，有的代码厉害，有的多模态强，有的特别会聊天，有的记性好，有的爱编故事。
通俗说，LLM 是一个“读过海量文字、特别会接话”的模型。你问它问题，它根据前面的内容，预测接下来最可能出现的词，跟“文字接龙”游戏很像是不是。
它并不像人一样真正理解世界，而是通过大量训练，学会了语言规律、知识模式和回答套路。
我们可能会对大模型有个误解，它不是数据库，也不是搜索引擎；它不知道的事，可能会编一个答案给你。所以我们可以把它当“语言能力很强的助手”，别当“永远正确的权威”。
Token
Token 是模型处理文本的最小单位，也是计费、速度和上下文长度的计算单位。
就像乐高积木，你给 AI 的句子，会被拆成一块块小积木。
API 按 Token 收费，上下文窗口按 Token 限制，生成速度也跟 Token 有关。
Token 不等于字数。中文里，1 个汉字大约 1—2 个 Token，具体要看模型。
在使用AI时，长文、长对话、大量资料，都会消耗更多 Token，也会更贵、更慢。
如果用一句话总结，那就是：Token 不是字，但决定了 AI 的“饭量”和“账单”。
上下文窗口
上下文窗口是模型一次能记住并处理的 Token 数量。
我们可以把它理解为一张工作台，台面越大，你能同时摊开的资料就越多。如果台面满了，旧资料就会被挤掉。
上下文窗口决定了 AI 能读多长的文章、记住多长的对话、处理多复杂的任务。
但是窗口大不等于一定记得住。中间内容可能被忽略，长对话也可能“忘事”。上下文窗口是 AI 的短期记忆，不是无限硬盘。
所以我们在使用AI时注意：长对话要阶段性总结；重要资料最好分段喂，或者用 RAG 外挂知识库。
提示词/Prompt/指令
这3个词是一样的意思。
提示词就是你输入给 AI 的指令，相当于你给 AI 的“派活说明书”，决定它怎么理解任务、输出什么。
你说得越清楚，他越不容易跑偏。
同一个模型，提示词不同，输出质量可能差很多。
好提示词通常包含：角色、任务、背景、要求、输出格式、示例等。
提示词就是你的管理能力。
多模态
多模态指模型能处理文本、图片、音频、视频等多种信息形式。
以前的 AI 只会读字，现在它还能看图、听声音、甚至生成视频、音乐。它让 AI 能用在识图、OCR、语音助手、视频分析、AI 绘画等场景。
不是所有模型都真多模态。有些只是“文本模型 + 外挂工具”，比如很多 PDF 问答、扫描件识别、截图总结工具。
举个例子，OCR + 文本 LLM —— “看图识字”不等于“看图理解”。你上传一张发票、合同截图或 PDF，问 AI：“这张图里写了什么？”
背后可能是：
先用 OCR 工具把图里的文字抠出来； 再把文字粘给纯文本 LLM； LLM 总结、回答。
但如果你问：“左上角那个蓝色 logo 是什么？”“表格第三行和第五行有什么视觉关系？”“印章盖在哪里？”它可能就懵了。
因为 LLM 从头到尾看到的只是一段文字，不是图片。
那么，像GPT-4o、Gemini、Claude 3、Qwen-VL、LLaVA 这类视觉语言模型，能直接处理图像输入，能回答图像细节、位置、颜色、图表趋势，就是真多模态。
幻觉
幻觉是 AI 生成看似合理、其实错误或虚构的内容，不懂装懂！
虽然不懂装懂吧，还说得特别自信？
它会编参考文献、编法条、编数据、编新闻，而且语气很像真的。
模型越强，幻觉不一定完全消失，只是可能更少、更隐蔽。
所以我们使用时要注意：法律、医疗、金融、新闻、学术内容，必须交叉验证。让它给来源，也要自己点开看。现实世界里，背锅的人可是我们哦~
微调
微调是用特定领域或风格的数据，继续训练已有模型，让它更符合你的需求。
像新员工入职后的岗前培训、专业培训，让它更懂你们公司的业务和说话方式。
它能让模型更懂垂直领域、固定风格、特定格式。
经常有朋友问贝拉“怎么微调大模型？”这个问题，打住！普通人日常用 AI 工具，基本不会直接用到微调。微调可不是“喂几篇文档”那么简单的，也不是所有问题都靠微调解决。
你用的 ChatGPT、Kimi、豆包、通义，背后可能已经被厂商微调过，但你本人只是在“用成品”，不是在“做微调”。
普通人优先用提示词 + RAG；而微调成本更高，需要数据、算力和评估。
Agent
Agent 是会自己干活的“数字员工”，是能规划步骤、调用工具、执行任务的 AI 系统。
它就真的像数字员工啦。你给它目标，它自己查资料、写邮件、做表格、跑流程。它把 AI 从“问答工具”升级成“任务执行者”，是自动化工作流的方向。
像现在比较火爆的小龙虾、workbuddy、codex、千问办公等都是Agent。
Agent 不是全自动赚钱机器，也不是完全可靠。它可能出错、绕路、乱调工具。
权限要最小化，关键步骤要人工确认，涉及付款、删库、发邮件、发私聊消息等时更要谨慎。
Agent 很能干，但缰绳要握在人手里。
以上就是部分 AI 基础概念。它们不是孤立的术语，而是地图上的一个个坐标。知道每个坐标在哪儿，你才能判断一个新工具背后用的是什么、能干什么，以及我们如何用好 AI。
相关文章
