LoRA 微调：先回答这五个问题，再开始训练

LoRA 降低了微调的成本，却没有替你解决“值不值得微调”的判断。训练之前应明确目标能力、数据边界、注入模块、资源预算和评测方法。

1. 目标能力能否通过提示词或 RAG 解决？

需要稳定改变输出风格、结构化行为或领域任务能力时，才更可能需要微调。仅缺少可检索事实时，优先考虑 RAG。

2. 数据是否代表线上任务？

训练样本要覆盖真实输入分布、负例和边界条件。格式统一但任务单一的数据，往往只能让模型学会模板。

3. 如何选择目标模块？

从注意力投影层开始是常见基线，但模块范围应由任务、参数预算和评测结果决定，而不是照搬配置。

4. 如何定义成功？

在训练前固定评测集与指标。除了任务正确率，也要检查通用能力退化、格式稳定性、拒答行为和成本。