微調是什麼？用客服分類看懂模型再訓練

微調是在已有模型的基礎上，用特定任務的資料做額外訓練。模型就是把輸入轉成預測或答案的計算系統；例如一家店已經有能讀文字的模型，想讓它更符合店內的客服分類方式，就可能考慮微調。

不過，多告訴聊天工具幾次需求，和真正訓練模型有差別。下面用同一家店的客服信，說明資料怎麼準備、模型改了什麼，以及什麼問題應該交給查資料來解決。

微調會改變模型的什麼？

模型內有一些影響輸出的數值，稱為「參數」。訓練會根據資料調整這些數值，改變模型處理任務的方式。微調沿用已經學過大量資料的模型，再針對特定需要調整；不一定要改動所有參數，也不是從零打造一套模型。

例如，店家希望客服訊息最後只歸入三種類別。微調的目標可以是讓模型更穩定地依這套分類方式回應，而不只是把一長段需求再貼進聊天視窗。Google 的模型調整教學區分了額外訓練與當次指令的做法。

客服信怎麼變成微調的學習例子？

先把三類意思講清楚：「配送查詢」處理送貨進度與收貨問題；「退換貨」處理退貨或更換商品；「商品問題」處理材質、規格、使用方法等詢問。接著，準備訊息和希望得到的分類答案。

這種提供「輸入＋期望答案」配對來做額外訓練的方式，叫作監督式微調，是微調的一種。表中的三筆是教學示意，本文沒有真的訓練模型，也不表示只用三筆資料就足夠。

微調的例子需要清楚、一致的答案

每筆期望類別也可以叫「標籤」，就是希望模型學到的答案。如果同一句「尺寸不合想換貨」有時標商品問題、有時標退換貨，卻沒有可解釋的規則，模型得到的學習訊號就不一致。

Google 的調整指南重視資料品質與實際情境的涵蓋。對微調來說，應先確認標示正確、分類規則清楚，再增加有用的例子；不能只堆筆數就期待一定改善。

微調、提示詞與 RAG 分別解決什麼？

「提示詞」是你當次交給模型的指令，例如「請依這三類分類，只回類別名稱」。這項指令本身不會更新模型參數。微調則涉及額外訓練，兩者改動的層次不同。

RAG 是「回答前先找相關資料，再交給模型參考」的做法，常譯為檢索增強生成。例如先找到最新版退換貨文件，再讓模型依文件回答。AWS 的概念說明解釋了這種取用外部資料的方式；你自己貼一份文件可以提供當次參考，但不等於已建好完整的自動查找流程。

三者可以配合使用。微調可能幫助學習任務行為，卻不代表模型已連到店家的訂單系統。客人若問「訂單 123 到哪了」，仍需要查當下訂單資料；學會把訊息分成配送查詢，不等於已經知道物流狀態。

如何判斷微調是否真的幫上忙？

可以先用清楚的提示詞處理一批例子，看看是否反覆出現同一類錯誤，再判斷有沒有額外訓練的需要。微調不是每個使用 AI 的人都必須做的一步；若當次指令已能完成任務，就沒有理由只為了名詞而開始訓練。

若要比較效果，應保留一些沒有參與訓練的訊息。例如拿「物流寫已送達，但我沒收到」給模型分類，再依店內事先定義的規則，核對是否歸入配送查詢。這是在說明檢查方法，不是本文已經取得的模型結果。

遇到「收到破掉的杯子，能補寄嗎」這種跨越類別的訊息，則要先決定：補寄是否歸退換貨？還是另外交人工確認？如果店家自己還沒有一致答案，微調也不能替你決定原本沒定義的業務規則。

先分清楚：要改行為，還是要查資料？

微調的核心是用任務資料額外訓練已有模型。讀完後，你可以先拿一個實際問題判斷：是當次指令不夠清楚、固定任務反覆做不好，還是缺了最新資料？把問題分清楚，才知道要改善哪一部分。