人人都能看懂的预训练、微调、提示词工程和 RAG(我保证)

这篇文章，我们用一个所有人都熟悉的案例，帮大家彻底理解大语言模型的那些”高大上”概念：

预训练

微调

提示词工程

RAG（检索增强生成）。

这个案例就是我们每个人都经历过的学习考试过程。

看完这篇文章，你会对AI的工作原理有全新的认识，以后使用AI时也会更加得心应手。

Tips：本文由DeepSeek基于我的录音稿整理润色，我只做了“微调”。

预训练

每学期开学，老师都会发给我们一堆教材，然后在课堂上讲解知识点。

这个过程中，我们把一学期的知识逐渐内化、理解和吸收——这其实就是大语言模型的预训练过程。

这里有个关键区别：死记硬背vs真正理解。

死记硬背：你只能记住题目和标准答案，考试遇到原题会做，但题目稍有变化就束手无策

真正理解：你能融会贯通，应对不同的题型和场景——这正是现代大语言模型的核心策略

AI回答=考试

考试时，你看到题目后会：

1.理解题目要求

2.调用大脑中相关的知识

3.经过一系列推理和知识整合

4.最终一个字一个字地写出答案

这完全就是AI回答问题的过程！

当你向AI提问时，它也是：

1.理解你的问题（提示词）

2.调用预训练学到的知识

3.经过内部推理和整合，逐字生成回答

提示词VS考试题

有时候，你学的东西太多太杂，面对一个很简单的问题时可能不知道关联哪个知识点。

这时，题目的清晰度就至关重要。

如果老师在出题时明确说明：

考查哪一章哪一节的知识点

需要调用哪些具体知识

回答的格式要求

那么不管你的知识多杂乱，只要题目足够清晰，你就能准确调用相关知识作答。

提示词工程的精髓

这就是提示词工程的精髓！

你向AI提问时：

问题越简单模糊，AI越可能”乱答”（其实是随机调用相关知识）

问题越详细、指向越明确、格式要求越规范，AI回答质量越高

小贴士：AI不是”乱答”，而是它的知识太庞杂，当问题不明确时，它只能随机选择相关知识来回答。

微调=做真题

很多人误以为”这个知识AI不会，微调一下就好了”。这是对微调的误解！

微调更像是考前老师带你做真题讲解：

你不知道高考会考什么题

但老师会讲解往年真题的正确答案和解题思路

通过这种方式，你学会”如何更好地作答”

微调的本质是教AI更好地作答，而不是教它新的知识。

如果某个知识点AI根本没学过，做再多真题（微调）也没用！

继续预训练=复读

要让AI掌握它原本不会的知识点，唯一的方法是继续预训练（相当于学生复读）：

准备包含专有知识的语料（如公司内部资料）

这些语料包含对知识的解释和各种关联关系

AI通过继续学习这些材料来掌握新知识

同样的道理，如果高考考到一个你完全没学过的概念，即使给你参考书，你短时间内也无法掌握并正确作答。

——这就是RAG（检索增强生成）的局限性。

RAG=开卷考试

RAG就像开卷考试，它的关键在于如何准备和整理”小抄”：

糟糕的做法：直接带整本书进考场

正确的做法：提前整理好知识点和关键词索引，考试时快速定位相关内容

所以做RAG：

必须对进行精细清洗和拆解，确保片段完整

在确保段落完整的基础上尽量简短，方便抄

目前流行的”个人知识库”产品，只是简单拆分文档（如每2000字一段），这可能导致知识点被切碎，最终AI回答质量低下。

好学生坏学生

大语言模型就像个”学习成绩很好好学生”，但好学生不一定总能拿高分。

因为它没有“好学生”的辨识判断力：

1.它需要”好题目”（清晰的提示词），否则会随机选取知识点答题

2.如果开卷考试提供的资料错误或者残缺，它不会纠正修复，而是硬抄

3.遇到完全没学过的知识，做再多“真题”也无济于事

例如，我问Claude模型”什么是MCP”（Claude官方发布的新功能），它完全胡编乱造！因为：

MCP发布时，模型已经”毕业”（训练完成）

它不懂，但会硬编

总结

人类和大语言模型在知识学习和输出的逻辑上惊人地一致。理解这一点，你就能：

更有效地使用AI工具

合理预期AI的能力边界

针对不同需求选择适当的方法（预训练、微调或RAG）

现在，你对大语言模型的工作原理是不是有了全新的认识？

如果这篇文章帮你理清了思路，评论区帮我刷个666