微调模型，这个东西是根据我提供的基本模型微调加上相关数据所形成的特定领域的针对性问题解决工具。比如医生模型，给医学相关的知识模型和大量数据来达到模拟一个医生的“微调模型”。通过输入暗区突围市场的市场价格和相关信息来预测市场走向，之前有很多的up主会做一些市场走向的预测视屏，现在通过相关的“微调模型”即可达到高效可靠的类似能力。我说以前我也想要做类似的工作但是懒得搞呢，原来是当时就觉得这个行动有点难以捉摸，现在好了，这么多赛季下来市场的走向也有了一个大概的范围，现在应该是有所谓的最优玩法了。如果用ai的话我都不敢想对普通玩家是多大的打击。虽然人的力量也不该被否定就是了，相应的东西至少在我S2的时候就有主播通过excel的方式获得解法，并通过短视频和粉丝群盈利了。就是这么多，等我下一个知识点。
人工智能吧 关注：113,684贴子：504,716
关于微调模型。他是一个像计算机程序一样的东西，甚至可以说他就是一个程序，通过在各个关键节点对他的细微的调整，来达到解决特定问题的工具。与程序不同的点可能是他可以吸纳更多的数据和数据整理的能力，而且这一能力是可以根据对模型的微调来达到优化和调整的。
在大语言模型（LLM）的调整中可能出现的一些问题提：
1.信号和噪音的区分！即使程序会按照指示的模型去运行，但是它本身是不会主动去理解你所给到的数据当中的问题的，比如说你想要下一个赛季的小紫价格走向，你提供了市场上小紫的价格变动和相关的产出量和稀有度。那么问题是LLM是不会主动知道价格浮动、产出概率、可能的与策划方的价值联动的（比如三角州行动中的收集扑克牌行动什么的）。所以他的问题是这些问题LLM是不会主动解决的，预测游戏市场价值尚且是一个复杂的问题，那么现实生活中的问题呢？尖端领域的问题呢，如果要应用LLM技术至最大，如何区分噪音与信息是一个首先要解决的问题。
2.第二个问题还在学，他说的是：即使你知道了什么是你要解决的问题，你要解决的问题有多大，但你还是会陷入如何解决这一抽象化具体的问题。让我接着学一学这个
在大语言模型（LLM）的调整中可能出现的一些问题提：
1.信号和噪音的区分！即使程序会按照指示的模型去运行，但是它本身是不会主动去理解你所给到的数据当中的问题的，比如说你想要下一个赛季的小紫价格走向，你提供了市场上小紫的价格变动和相关的产出量和稀有度。那么问题是LLM是不会主动知道价格浮动、产出概率、可能的与策划方的价值联动的（比如三角州行动中的收集扑克牌行动什么的）。所以他的问题是这些问题LLM是不会主动解决的，预测游戏市场价值尚且是一个复杂的问题，那么现实生活中的问题呢？尖端领域的问题呢，如果要应用LLM技术至最大，如何区分噪音与信息是一个首先要解决的问题。
2.第二个问题还在学，他说的是：即使你知道了什么是你要解决的问题，你要解决的问题有多大，但你还是会陷入如何解决这一抽象化具体的问题。让我接着学一学这个
LLM模型优化是一个持续不断的过程，这越来越接近写程序的样子了，像“搬砖”一样。而我现在学习的东西就是关于如何最优化这一东西的效率和质量。
首先给出结论，LLM模型的优化不是线性的。
举个大多数人的例子：快速工程——检索增强生成——微调。
他的环节解释分别是：
1.快速工程，快速工程是通过精心设计输入的提示词（prompt），来最大化模型的输出效果。
这是优化LLM的最基础和直接的方法，无需修改模型本身。应用方式：
明确问题：将需求分解为具体的指令。例如：
不佳的提示："解释什么是AI。"
优化后的提示："以简单的语言解释人工智能是什么，限制在3句话内。"
分步骤设计：通过“逐步推理”提示模型生成有逻辑的回答。
提示："列出解决问题的步骤，并依次解释每一步的细节。"
引导上下文：在提示中加入背景信息或具体的角色扮演。
提示："假设你是教育专家，为一个小学生解释什么是人工智能。"
这个是快速工程的含义，以提示词来让LLM快速适应微调模型的角色，达到解决问题的状态。b站上很多的up主就是用一些列的提示词来达到一个LLM模型的脱胎换骨，通过一系列的提示词来让LLM生成的内容符合人类的审美和具有实用价值。这价值是被提示词设计者创造的，智联招聘上的所谓提示词工程师应该就是这个工作内容了。
2.检索增强生成（Retrieval-Augmented Generation, RAG）
RAG是通过将LLM与外部知识库结合，使模型在生成内容时可以从外部检索最新或领域相关的信息。
工作原理：
1.用户查询：
用户输入问题。
2.检索阶段：
系统从外部知识库（如文档、数据库）中检索相关的信息。
3.生成阶段：
LLM结合检索到的信息生成更准确、更相关的回答。
这一个我就比较知道了，因为这个东西很直观。国内的大多数或者说全部的ai工具都是这么个节奏。
一.用户查询：12月份应季的水果。
二.检索阶段，这个阶段ai就开始强调自己是搜索了多么多么个网站的信息才得到的结果，还要把搜索的网页的心意一五一十的给你列出来，搞得非常的直观，我就感觉有点LOW，不是说不好，就是感觉LOW。
三.生成阶段，这个就是各个大模型之间技术力的比拼了吧，1是需要用户习惯积累和市场调研，2都是国内的各个开源信息网站的公开数据，最多比拼一个检索的速度和关键词提取的准确程度。我感觉只有3是最具技术力的比拼了，通过检索到的数据进行更准确更相关的回答，这个就涉及到了定义一个回答那里更准确，那里更相关的回答了，里面的门道可大着呢。我用下来感觉就智普和kimi最好用了，最全最客观。但敌不过gpt就是了，国内的LLM还不够gpt好用就处在这里，数据源也是一大点也是。反正不花钱的我一直在用，反正不要钱，我会一支持国内LLM的！
3.微调
微调是通过向模型提供特定领域或任务的数据集，重新训练模型的一部分参数，从而使其在特定任务上表现更出色。
特点：
高成本：需要专业数据、计算资源。
长期有效：模型会永久性地学到新能力。
应用方式：
领域专用任务：
例如，通过微调使模型成为法律助手，能够生成符合法律规范的文书。
企业定制化：
将企业独有的语气、知识库、服务规则整合到模型中。
解决复杂任务：
对特定领域进行深度训练，增强复杂逻辑处理能力。
实现方法：
准备数据：
数据格式通常是JSONL文件，包含输入（prompt）和输出（completion）。
数据需高质量且足够多样化。
使用工具：
OpenAI的Fine-tuning API。
Hugging Face的训练框架。
训练模型：
调整一部分参数（如模型的最后几层），让模型更好地适配新任务。
这个好专业，容我一点点啃。特点提到了专业数据和永久性学会，这是当然的嘛，一个程序，一个专业领域的相关程序必然是现需要专业数据的，而他一旦成型所能提供的解决方案是不会根据时间的推移减弱的，除非这个问题不再是问题了。应用领域提到了法律文书，我想如果是中国用的话更多的应该是政府的相关文件才是，各种什么文件格式啊绩效量化啊服务流程啊什么的都能够交托给LLM，简直就是文员福音啊，再也不需要加班写文件写材料了，直接生成哈哈，只需要提供相关的格式标准和八股文加分点在哪里即可哈哈。
jsonl就是用户可能提出的问题和回答方式以及人工智能对这一问题的优化文件。简而言之就是使用智普时他推荐的你再问点什么。举个例子：“我想吃水果——苹果、梨、橘子——你可能还想问12月份应季的水果”。这就是一个jsonl文件，这样的文件多次累加让人工智能实现了“智能。”
好长，脑袋要当机了。容我休息一会
首先给出结论，LLM模型的优化不是线性的。
举个大多数人的例子：快速工程——检索增强生成——微调。
他的环节解释分别是：
1.快速工程，快速工程是通过精心设计输入的提示词（prompt），来最大化模型的输出效果。
这是优化LLM的最基础和直接的方法，无需修改模型本身。应用方式：
明确问题：将需求分解为具体的指令。例如：
不佳的提示："解释什么是AI。"
优化后的提示："以简单的语言解释人工智能是什么，限制在3句话内。"
分步骤设计：通过“逐步推理”提示模型生成有逻辑的回答。
提示："列出解决问题的步骤，并依次解释每一步的细节。"
引导上下文：在提示中加入背景信息或具体的角色扮演。
提示："假设你是教育专家，为一个小学生解释什么是人工智能。"
这个是快速工程的含义，以提示词来让LLM快速适应微调模型的角色，达到解决问题的状态。b站上很多的up主就是用一些列的提示词来达到一个LLM模型的脱胎换骨，通过一系列的提示词来让LLM生成的内容符合人类的审美和具有实用价值。这价值是被提示词设计者创造的，智联招聘上的所谓提示词工程师应该就是这个工作内容了。
2.检索增强生成（Retrieval-Augmented Generation, RAG）
RAG是通过将LLM与外部知识库结合，使模型在生成内容时可以从外部检索最新或领域相关的信息。
工作原理：
1.用户查询：
用户输入问题。
2.检索阶段：
系统从外部知识库（如文档、数据库）中检索相关的信息。
3.生成阶段：
LLM结合检索到的信息生成更准确、更相关的回答。
这一个我就比较知道了，因为这个东西很直观。国内的大多数或者说全部的ai工具都是这么个节奏。
一.用户查询：12月份应季的水果。
二.检索阶段，这个阶段ai就开始强调自己是搜索了多么多么个网站的信息才得到的结果，还要把搜索的网页的心意一五一十的给你列出来，搞得非常的直观，我就感觉有点LOW，不是说不好，就是感觉LOW。
三.生成阶段，这个就是各个大模型之间技术力的比拼了吧，1是需要用户习惯积累和市场调研，2都是国内的各个开源信息网站的公开数据，最多比拼一个检索的速度和关键词提取的准确程度。我感觉只有3是最具技术力的比拼了，通过检索到的数据进行更准确更相关的回答，这个就涉及到了定义一个回答那里更准确，那里更相关的回答了，里面的门道可大着呢。我用下来感觉就智普和kimi最好用了，最全最客观。但敌不过gpt就是了，国内的LLM还不够gpt好用就处在这里，数据源也是一大点也是。反正不花钱的我一直在用，反正不要钱，我会一支持国内LLM的！
3.微调
微调是通过向模型提供特定领域或任务的数据集，重新训练模型的一部分参数，从而使其在特定任务上表现更出色。
特点：
高成本：需要专业数据、计算资源。
长期有效：模型会永久性地学到新能力。
应用方式：
领域专用任务：
例如，通过微调使模型成为法律助手，能够生成符合法律规范的文书。
企业定制化：
将企业独有的语气、知识库、服务规则整合到模型中。
解决复杂任务：
对特定领域进行深度训练，增强复杂逻辑处理能力。
实现方法：
准备数据：
数据格式通常是JSONL文件，包含输入（prompt）和输出（completion）。
数据需高质量且足够多样化。
使用工具：
OpenAI的Fine-tuning API。
Hugging Face的训练框架。
训练模型：
调整一部分参数（如模型的最后几层），让模型更好地适配新任务。
这个好专业，容我一点点啃。特点提到了专业数据和永久性学会，这是当然的嘛，一个程序，一个专业领域的相关程序必然是现需要专业数据的，而他一旦成型所能提供的解决方案是不会根据时间的推移减弱的，除非这个问题不再是问题了。应用领域提到了法律文书，我想如果是中国用的话更多的应该是政府的相关文件才是，各种什么文件格式啊绩效量化啊服务流程啊什么的都能够交托给LLM，简直就是文员福音啊，再也不需要加班写文件写材料了，直接生成哈哈，只需要提供相关的格式标准和八股文加分点在哪里即可哈哈。
jsonl就是用户可能提出的问题和回答方式以及人工智能对这一问题的优化文件。简而言之就是使用智普时他推荐的你再问点什么。举个例子：“我想吃水果——苹果、梨、橘子——你可能还想问12月份应季的水果”。这就是一个jsonl文件，这样的文件多次累加让人工智能实现了“智能。”
好长，脑袋要当机了。容我休息一会
回到学习，现在可能顺序有些混乱了，让我们重新梳理一下。
LLM最大化提升输出效果
1.微调模型
2.模型大致流程：快速工程，检索增强生成（RAG），微调
3.以上流程有一个问题，检索增强生成——微调的循环递进提升。这一流程增强了生成和微调解决不同的问题，有时我需要更多的生成内容以达到我使用LLM的目的（解决我知识盲区和知识深度不足的问题）有时我需要通过微调解决问题解决不了的问题（微调模型压根不对头的问题）。增强生成和微调二者有时都需要，这取决于你正在处理的问题类别。
所以作者提出了两条不同的优化类型：
1.上下文优化，模型需要知道什么才是你需要解决的问题。
2.LM优化，模型需要如何行动？他执行的方法是什么？他需要采取的行动是什么？
这里需要一张图片
这个就是作者通过对上下文和模型之间的区别（所要解决的问题来划分的解决问题的维度）
一个是根据更多的上下文和外部资料来检索增强生成（RAG），一个是针对特定任务进行再训练。二者需要根据问题的类型进行区分和针对性优化。
以下是一个例子
先是写下了快速工程（提示词）来界定微调模型的主体，再是输入少量数据观察效果和反馈改进，在是根据效果进行特化的进程，即检索增强生成，达到更加深化的结果和更加过程和结果，最终再引以模型装饰生成一个解决特定问题的微调模型！
解决了！一整套微调模型的概念我弄清楚了！明天见！
LLM最大化提升输出效果
1.微调模型
2.模型大致流程：快速工程，检索增强生成（RAG），微调
3.以上流程有一个问题，检索增强生成——微调的循环递进提升。这一流程增强了生成和微调解决不同的问题，有时我需要更多的生成内容以达到我使用LLM的目的（解决我知识盲区和知识深度不足的问题）有时我需要通过微调解决问题解决不了的问题（微调模型压根不对头的问题）。增强生成和微调二者有时都需要，这取决于你正在处理的问题类别。
所以作者提出了两条不同的优化类型：
1.上下文优化，模型需要知道什么才是你需要解决的问题。
2.LM优化，模型需要如何行动？他执行的方法是什么？他需要采取的行动是什么？
这里需要一张图片
这个就是作者通过对上下文和模型之间的区别（所要解决的问题来划分的解决问题的维度）
一个是根据更多的上下文和外部资料来检索增强生成（RAG），一个是针对特定任务进行再训练。二者需要根据问题的类型进行区分和针对性优化。
以下是一个例子
先是写下了快速工程（提示词）来界定微调模型的主体，再是输入少量数据观察效果和反馈改进，在是根据效果进行特化的进程，即检索增强生成，达到更加深化的结果和更加过程和结果，最终再引以模型装饰生成一个解决特定问题的微调模型！
解决了！一整套微调模型的概念我弄清楚了！明天见！
我只从学院那边搞到了几张A5000，算力资源一般，根本就没有搞大语言模型或者图像处理的信心
目前一直在跟序列玩耍
今天晚了点，就随便搞搞吧。开始
先回顾一下。
1.微调模型
2.微调模型大众的流程
3.微调模型优化方径
~~~~《以上下文理解为关键提升点的LLM微调模型优化方法》：快速工程——输入少量数据——调整至基本成型——引入外部资料库——加入定量的算法和固定的输入输入出口，让他能够以固定的格式或样式输出给我。（可能说的不太准确，但就是这个意思。这个是以上下文理解为基线的，微调模型的优化方向以及基本流程，相比起模糊的和笼统的”优化“来说，这一针对“上下文”的微调模型优化方式是更加具有针对性，更能够最大化提升LLM输出效果）
举个例子：
我预设了一个心理医生模型，通过快速工程将他命为心理医生小明，通过输入少量的数据：病人小红的心理困惑。通过引入外部资料《更适合LLM使用的心理医生学习手册》增强小明的心理医治能力，通过加入固定的提问：今天心情怎么样、《手册》、你应该。来达到基本的模型的能力，这就是一个微调模型通过”上下文“能力增强达到的效果。其实就是引入资料库让人工智能让LLM来更厉害一些，但资料和技术其实是分开的，不然什么大数据监听超一流的公司才应该是LLM最强。
大佬把这一套流程简化为：你尝试一些东西，你评估，然后你尝试其他东西。对应的应该就是:快速工程——反应——优化（上下文方向、微调方向）——反应——通过上一轮优化有针对性地继续优化。
~~~本来是接下来搞这个微调路径上地优化解释的，但是作者跳过了这一点，直接开始了实践。但我还是尽力，理解一下这个模型方向上的优化。
模型方向上的优化
1.快速工程。同学的期末考试成绩、同班同学地期末成绩、同学地月考成绩，要求预测同学未来的成绩。
2.少量的数据。同学的成绩。
3.得到了粗略的预测但是还不够准确，通过引入新的变量：同学的平时作业。来试图获得更加准确的预测。还有给期末考、月考划定权重和分值的方式来进行新一轮运算
4.添加新的数据，包括新增的变量和新的变量权重和计算方式来进行LLM（large language model）的LM（language model）模型的微调（fine-tuhing）优化。
不行了！顶不住了！睡觉！
先回顾一下。
1.微调模型
2.微调模型大众的流程
3.微调模型优化方径
~~~~《以上下文理解为关键提升点的LLM微调模型优化方法》：快速工程——输入少量数据——调整至基本成型——引入外部资料库——加入定量的算法和固定的输入输入出口，让他能够以固定的格式或样式输出给我。（可能说的不太准确，但就是这个意思。这个是以上下文理解为基线的，微调模型的优化方向以及基本流程，相比起模糊的和笼统的”优化“来说，这一针对“上下文”的微调模型优化方式是更加具有针对性，更能够最大化提升LLM输出效果）
举个例子：
我预设了一个心理医生模型，通过快速工程将他命为心理医生小明，通过输入少量的数据：病人小红的心理困惑。通过引入外部资料《更适合LLM使用的心理医生学习手册》增强小明的心理医治能力，通过加入固定的提问：今天心情怎么样、《手册》、你应该。来达到基本的模型的能力，这就是一个微调模型通过”上下文“能力增强达到的效果。其实就是引入资料库让人工智能让LLM来更厉害一些，但资料和技术其实是分开的，不然什么大数据监听超一流的公司才应该是LLM最强。
大佬把这一套流程简化为：你尝试一些东西，你评估，然后你尝试其他东西。对应的应该就是:快速工程——反应——优化（上下文方向、微调方向）——反应——通过上一轮优化有针对性地继续优化。
~~~本来是接下来搞这个微调路径上地优化解释的，但是作者跳过了这一点，直接开始了实践。但我还是尽力，理解一下这个模型方向上的优化。
模型方向上的优化
1.快速工程。同学的期末考试成绩、同班同学地期末成绩、同学地月考成绩，要求预测同学未来的成绩。
2.少量的数据。同学的成绩。
3.得到了粗略的预测但是还不够准确，通过引入新的变量：同学的平时作业。来试图获得更加准确的预测。还有给期末考、月考划定权重和分值的方式来进行新一轮运算
4.添加新的数据，包括新增的变量和新的变量权重和计算方式来进行LLM（large language model）的LM（language model）模型的微调（fine-tuhing）优化。
不行了！顶不住了！睡觉！
开始今天的学习吧！
1、微调模型
2、常见的微调模型优化方案
3、优化后的微调模型两种优化路径：1.上下文理解为导向的优化（RAG，检索增强生成）。2.微调为导向的模型优化（fine-tuning，微调）。
4、以实践为导向的大语言模型（LLM）的语言模型（LM）的一整套的策略
~~~LLM微调模型的实践注意事项了，开始！
1.快速工程，快速工程的写入参考策略（以实践为导向的）：
一、写清楚说明。
二、将复杂的任务拆分为更简单的子任务，比如，预测市场走向——预测白、紫、金的市场走向——预测白的纸、蓝的水、金的碗——分析历史价格浮动——引入最新市场机制和近期可能发生的联动活动。（就这样吧一个笼统的“分析市场走向”拆解为了一个个简单的模型任务来依次解决）。
~~~注意，快速工程需要测试来进行实践，并通过实践来对快速模型进行评估。
一、注意一点：测试是系统性的变化，而不是像打地鼠游戏一样的，重复性、无休止地处理不断冒出的问题或挑战进行修补的过程。
二、很多的工程师感到自己方向不对，改了一遍又一遍，在评估矩阵上跳来跳去，解决一个又一个问题。这里就是一个微调模型真正需要进行评估的地方，快速工程的迭代是一个系统性的过程，不是单靠某一局部的指标分析又或者某一评估矩阵就能解决的。
三、更加应该关注的是某种LLM的行动，这里作者说的很笼统，只说了要更加关注某种LLM的行动，我分析一下。
“语言模型在不同场景下的具体行为方式或执行模式。这种行动并不仅仅是“完成某个任务”，而是指模型在上下文理解、任务执行、输出生成等方面的具体表现。”
所以可能的意思是：不去关注某一个指标、某一个结果，更应该去关注LLM是怎么理解用户意图的，理解后又是怎么一个解决问题的思路，是上下文理解、是微调、是引入新的变量、是怎么输出内容的。这些行动构成了模型在具体场景下的行为模式。
总结
某种 LLM 的行动，指的是模型在执行任务时从理解输入到生成输出的全链路行为。优化快速工程的迭代，应关注如何让模型的行动更智能、更贴合实际需求，而不是单纯依赖评估矩阵去优化单一指标。
~~~好复杂！脑袋要炸了！休息！
1、微调模型
2、常见的微调模型优化方案
3、优化后的微调模型两种优化路径：1.上下文理解为导向的优化（RAG，检索增强生成）。2.微调为导向的模型优化（fine-tuning，微调）。
4、以实践为导向的大语言模型（LLM）的语言模型（LM）的一整套的策略
~~~LLM微调模型的实践注意事项了，开始！
1.快速工程，快速工程的写入参考策略（以实践为导向的）：
一、写清楚说明。
二、将复杂的任务拆分为更简单的子任务，比如，预测市场走向——预测白、紫、金的市场走向——预测白的纸、蓝的水、金的碗——分析历史价格浮动——引入最新市场机制和近期可能发生的联动活动。（就这样吧一个笼统的“分析市场走向”拆解为了一个个简单的模型任务来依次解决）。
~~~注意，快速工程需要测试来进行实践，并通过实践来对快速模型进行评估。
一、注意一点：测试是系统性的变化，而不是像打地鼠游戏一样的，重复性、无休止地处理不断冒出的问题或挑战进行修补的过程。
二、很多的工程师感到自己方向不对，改了一遍又一遍，在评估矩阵上跳来跳去，解决一个又一个问题。这里就是一个微调模型真正需要进行评估的地方，快速工程的迭代是一个系统性的过程，不是单靠某一局部的指标分析又或者某一评估矩阵就能解决的。
三、更加应该关注的是某种LLM的行动，这里作者说的很笼统，只说了要更加关注某种LLM的行动，我分析一下。
“语言模型在不同场景下的具体行为方式或执行模式。这种行动并不仅仅是“完成某个任务”，而是指模型在上下文理解、任务执行、输出生成等方面的具体表现。”
所以可能的意思是：不去关注某一个指标、某一个结果，更应该去关注LLM是怎么理解用户意图的，理解后又是怎么一个解决问题的思路，是上下文理解、是微调、是引入新的变量、是怎么输出内容的。这些行动构成了模型在具体场景下的行为模式。
总结
某种 LLM 的行动，指的是模型在执行任务时从理解输入到生成输出的全链路行为。优化快速工程的迭代，应关注如何让模型的行动更智能、更贴合实际需求，而不是单纯依赖评估矩阵去优化单一指标。
~~~好复杂！脑袋要炸了！休息！
开始今天的学习记录吧！每天坚持一点点，坚持就是胜利口牙！
先回顾一下：
1.微调模型的概念
2.微调模型优化的一般思路
3.先进的优化思路
4.微调模型优化实践注意事项
~~~
1.写清楚说明。
2.尽量把问题拆分到最小最细
3.注意优化时的思路，微调模型的优化是一个系统性的问题，不要一直盯着一个或多个指标组成的评估矩阵，而是要去关注你的模型本身是怎么运作的，根据LLM的LM的动线来进行“快速模型”这一步骤的设计和优化。
~~~
以下是新内容
4.在基本完成快速工程这一初始步骤后，与下一步检索增强生成（RAG）相连接的优化节点是：“扩展到引用文本”或“访问外部工具”。这两个节点分别对应了“微调（Fine-tuning）”和“工具调用（Tool Usage）”两种不同路径。扩展引用文本的意思时：新增可用的数据集、优化原有参数权重等手段，给模型增添新的可引用文本。工具调用的意思是：引用并检索《百科大全》、引用并检索《网络信息》。
5.快速工程的设计包含着测试、早期调教、尽早搭建评估体系。说起这个我想到了一个叫做“炼丹”的国内图形生成模型测试方法，感觉很贴合这一描述。早期的快速工程通过测试、早期的调教、对“初成品”的评估都自有一套逻辑，非常适合作为讲述案例来说，但是好像没什么意义，就不说了。反正这些步骤对于快速工程的搭建来说是非常有参考意义的，再记一遍：测试、尽早学习（Learning early）、并将其与评估配对。以此几个点为参考设置优化基线，并一步步的进行没模型搭建和优化。
~~~
6.不行，以下内容太贴近实践了，我没有相关的概念，要啃好一段时间，今天先到这。
先回顾一下：
1.微调模型的概念
2.微调模型优化的一般思路
3.先进的优化思路
4.微调模型优化实践注意事项
~~~
1.写清楚说明。
2.尽量把问题拆分到最小最细
3.注意优化时的思路，微调模型的优化是一个系统性的问题，不要一直盯着一个或多个指标组成的评估矩阵，而是要去关注你的模型本身是怎么运作的，根据LLM的LM的动线来进行“快速模型”这一步骤的设计和优化。
~~~
以下是新内容
4.在基本完成快速工程这一初始步骤后，与下一步检索增强生成（RAG）相连接的优化节点是：“扩展到引用文本”或“访问外部工具”。这两个节点分别对应了“微调（Fine-tuning）”和“工具调用（Tool Usage）”两种不同路径。扩展引用文本的意思时：新增可用的数据集、优化原有参数权重等手段，给模型增添新的可引用文本。工具调用的意思是：引用并检索《百科大全》、引用并检索《网络信息》。
5.快速工程的设计包含着测试、早期调教、尽早搭建评估体系。说起这个我想到了一个叫做“炼丹”的国内图形生成模型测试方法，感觉很贴合这一描述。早期的快速工程通过测试、早期的调教、对“初成品”的评估都自有一套逻辑，非常适合作为讲述案例来说，但是好像没什么意义，就不说了。反正这些步骤对于快速工程的搭建来说是非常有参考意义的，再记一遍：测试、尽早学习（Learning early）、并将其与评估配对。以此几个点为参考设置优化基线，并一步步的进行没模型搭建和优化。
~~~
6.不行，以下内容太贴近实践了，我没有相关的概念，要啃好一段时间，今天先到这。
