07 · 训练、推理与适配方法
分清提示、RAG、微调与强化学习分别改变了什么。
本站原创入门导读与合成教学示例。原始资料核实：2026-09-05。建议先读：06 · 提示设计与结构化输出。
理解概念
训练更新模型参数，推理使用已有参数生成结果。预训练学习广泛模式，后训练调整任务能力与行为。推理时增加搜索、工具验证或候选比较，通常不等于模型在本次调用中更新了参数。
提示优化改输入；RAG 引入外部证据；微调通过训练改变参数；强化学习依据奖励优化策略。为校园规章更新知识，先考虑带版本的检索，而不是每次重训。微调需要合法、足量且质量可检查的数据，也要保留独立测试集。研究里的提升依赖训练、环境和评价设置，不能直接套用到任意 Agent。
一个最小例子
| 需求 | 首选起点 | 验证方式 |
|---|---|---|
| 输出字段经常缺失 | 输出契约与校验 | 格式通过率 |
| 规章每月更新 | 版本化 RAG | 引用正确率 |
| 固定任务风格长期不稳 | 先提示基线，再评估微调 | 保留集表现 |
| 解题程序有自动判分器 | 候选生成与执行验证 | 测试通过率与成本 |
动手练习
给“最新社团安排查询”和“生成固定格式实验报告”各选择一条路线，写出不采用另一方法的成本原因。列一个模型能力不足与一个数据缺失的失败，避免混为一谈。
验收与预期结果
能解释哪些操作改变参数、哪些只改变本次上下文。计划中有独立验证集，而不是只展示训练样例。
- 我能解释输入、过程与结果。
- 我保留了一个失败例与运行记录。
常见误区
更长推理不总带来更好答案；奖励可被钻空子。模型升级应重跑回归集，不能仅凭发布文案判断。
延伸阅读
以下是相关方向的原始资料；本站练习不是官方课程作业或逐字翻译。
理解需要时间，记录让每一步都有迹可循。
回到学习路线图