"我想让模型懂我们的课程。"听到这句话，很多人的第一想法是：把课程内容全加载到上下文里，不就行了？
这个办法不好。这门课光前 4 章就有七万多字，Ollama 默认的上下文只有 4096 个 token，放不下。把上下文开大，每次提问都要带着这么多内容，显存占得多，第一个字也要等很久，而且模型讲起来还是原来那个样子。
换个思路：与其每次把课程递给模型，不如直接把模型练一练。这就是微调：在已经训练好的模型上，用这门课的问答再加练一轮。
这一章，我们就来微调一个懂咱们课程的模型：不用每次递资料，问它这门课的问题，开口就是这门课的讲法。
不过微调不是万能的：有些问题，写好一段提示词就解决了；有些问题，给模型配一个能随时查的资料库更合适。所以动手之前，先弄清这三种办法各管什么。
学完你能做到：面对一个需求，判断该用提示词、RAG 还是微调；知道课程助教是什么、为什么要微调。
一、三种办法，改的地方不一样
把模型想象成一个刚入职的新同事：
- 提示词：每次派活时，递一张写清楚要求的任务单。
- RAG（检索增强生成）：配一个资料柜，每次回答前先去查，看着资料回答。
- 微调：送去参加专项培训，养成固定的工作习惯和表达方式。
任务单和资料柜都是派活时临时递过去的，人还是原来那个人；培训过后，人本身变了。换成模型的说法：提示词和 RAG 改的是输入，微调改的是权重。
