大模型微调和提示词面试怎么讲：先分清解决什么问题

大模型面试里，经常会被问：这个问题为什么不微调？提示词能解决到什么程度？什么时候需要检索增强？很多候选人会把微调、提示词、智能体混在一起讲，听起来很热闹，但缺少判断。面试官不是想听你知道多少名词，而是想看你能不能根据业务问题选择合适方案。

真正专业的回答，应该先问：当前问题到底是什么。是回答格式不稳定，还是领域知识缺失？是风格不符合要求，还是模型不会某类任务？不同问题的解决方案不同。

提示词适合约束行为

提示词更适合约束输出格式、角色、回答步骤和边界。比如要求模型按固定字段输出，要求资料不足时拒答，要求先分析再给结论。它成本低、迭代快，适合早期验证。

但提示词不能凭空补充模型不知道的私有知识，也不能稳定解决所有复杂规则。如果业务知识经常变化，只靠提示词把大量资料塞进输入里，成本和延迟都会上升。

检索增强适合补知识

检索增强可以理解为先从知识库找资料，再让模型基于资料回答。它适合企业知识库、客服问答、文档问答这类知识变化快、事实要求高的场景。关键问题变成：资料怎么切分，怎么召回，怎么判断资料足够，资料冲突怎么办。

面试里可以说：如果问题主要是模型缺少企业内部知识，我会优先考虑检索增强，而不是直接微调。

微调适合稳定学习模式

微调更适合让模型学习稳定的任务模式、领域表达或特定输出风格。但微调需要高质量数据、训练成本和评估体系。如果数据噪声很大，微调可能把错误也学进去。数据少、需求变化快时，微调未必划算。

微调还要考虑上线后的维护成本。业务规则变了，是否要重新训练？新数据质量谁来保证？微调后旧能力是否退化？这些问题如果答不上来，方案就会显得只停留在实验阶段。

面试回答方式

可以这样说：我会先区分问题类型。格式和流程问题先用提示词；知识缺失先用检索增强；如果有稳定的大量高质量样本，并且希望模型长期掌握某种任务模式，再考虑微调。无论哪种方案，都要用评估集和坏例集验证，不能只凭几条成功样例判断。

如果面试官追问项目落地，可以补一句：我不会用微调解决所有问题。比如企业知识库经常更新，优先用检索增强；如果只是让回答更像某种客服话术，可以先用提示词和少量样例；只有当任务模式稳定、样本足够、评估能闭环时，才把微调作为更重的方案。

这类回答能体现你不是追热点，而是在根据业务目标、数据条件和上线风险做技术选择。

选方案前先判断问题类型

提示词、检索增强、微调不是互相替代的银弹。面试时可以先问问题属于哪一类：模型不知道、模型知道但不稳定、回答格式不合规，还是需要学习某种业务风格。分类清楚，方案自然就清楚。

这类回答要有成本意识：微调有数据、评估、部署和回滚成本；提示词迭代快但稳定性有限；检索增强能补知识，但召回链路需要维护。能讲取舍，比只讲名词更专业。