文章目录D36-LoRA 原理 + 第一个微调项目：从零微调一个客服话术风格模型一、为什么你需要微调——从「用模型」到「改模型」的 3 个动机1.1 通用模型不懂你的业务1.2 数据安全 + 成本控制1.3 微调 vs Prompt vs RAG：什么时候用什么二、LoRA 原理——为什么 0.1% 的参数能达到 99% 的效果2.1 全参微调的痛点2.2 LoRA 的核心思想：低秩分解2.3 ASCII 图解：低秩矩阵长啥样2.3 几个常见疑问2.4 QLoRA：连"激活"都量化三、5 个微调框架对比——工程师该选谁四、第一个微调项目实战：客服话术风格迁移4.1 项目目标4.2 环境准备4.3 数据准备——10 条就够学到东西4.4 数据生成脚本（可运行）4.5 LoRA 微调主脚本（可运行）4.6 评估对比脚本五、常见踩坑与解决5.1 OOM（最常见的报错）5.2 Loss 不下降5.3 灾难性遗忘5.4 评估指标六、从 Demo 到生产——3 步把微调模型推上线6.1 第一步：合并 LoRA 权重6.2 第二步：用 vllm 部署（生产级推理）6.3 第三步：监控 + 持续迭代七、Key Takeaways九、思考题十、下篇预告D36-LoRA 原理 + 第一个微调项目：从零微调一个客服话术风格模型「60 天 AI 全栈转型」S3 模型训练与微调 · 第 1 篇 / 共 15 篇读者画像：已掌握 S1（会用 LLM）+ S2（会用 Agent），想从「用模型」升级到「改模型」的开发者预计阅读：30 分钟 · 实操：60-120 分钟一、为什么你需要微调——从「用模型」到「改模型」的 3 个动机1.1 通用模型不懂你的业务通用大模型经过全网语料训练，但它没见过你公司的：产品黑话（“云端话术 2.0”、“心智模型 3 件套”）用户画像（“VIP 客户”、“价格敏感型用户”）风格要求（“亲切但不卑微”、“专业但不说教”）无论 Prompt 多精细，通用模型出来的味儿都不是你们的。这时候只能微调。1.2 数据安全 + 成本控制