用途：引导模型微调全流程，将预训练模型适配特定用例，提升专业任务表现、学习偏好风格或补充仅靠提示词无法实现的能力。
主要能力：覆盖是否该微调与提示工程的取舍判断、准备训练数据、选择基座模型、配置训练参数、评估结果与部署微调模型；采用 LoRA、QLoRA 与指令微调等技术，使微调更实用、更具成本效益。适用 OpenAI API 微调、开源模型本地训练以及 Hugging Face 等平台。
使用方式：包含三条核心工作流。其一判断是否微调：评估提示词能否达成目标、任务格式或风格是否一致、是否有高质量数据、是否值得投入，比较更好提示词、少样本示例、RAG 与微调四种方案，要求至少 100 至 1000 条高质量示例、清晰评估标准以及训练与托管预算，仅在提示词或 RAG 不足时微调。其二准备数据集：采集具代表性、高质量、覆盖多样的示例，格式为含 system、user、assistant 角色的 messages 数组，人工抽查、检查风格一致性、去重、划分训练/验证/测试集并校验格式。其三执行微调：权衡模型大小与能力，匹配任务复杂度，检查许可证，配置训练参数（如 OpenAI 的 model、training_file、n_epochs、batch_size、learning_rate_multiplier，或 LoRA 的 r、lora_alpha、lora_dropout、target_modules），监控损失曲线、防过拟合、在留出集验证并评估结果。
适用场景：需要统一风格或专业任务、有高质量训练数据的定制模型项目。限制：不擅长用微调补充事实知识，应改用 RAG；训练成本高，须先穷尽更便宜的方案；资料未提供具体平台收费与价格。