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. 1. 理解题目要求
2. 2. 调用大脑中相关的知识
3. 3. 经过一系列推理和知识整合
4. 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. 1. 理解你的问题（提示词）
2. 2. 调用预训练学到的知识
3. 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. 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. 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. 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？