LLaMA-Factory 进阶技巧：用熟之后还能怎么提效
在「本地与开源」类工具里，LLaMA-Factory 的定位是：支持多种模型的一站式开源微调框架。
这些技巧适合已经会基本操作、想进一步提效的用户。
8 条进阶用法
- 先要大纲或计划，再要全文，复杂任务分两到三步完成。
- 要求输出「不确定清单」，把需要人工核实的地方单独列出。
- 把固定的背景和规则保存为预设或模板，避免每次重复输入。
- 同一任务准备 5 份测试材料，改设置后统一复测。
- 记录每次的输入、设置和结果，形成自己的经验库。
- 敏感信息用代号替换，交付前再换回。
- 给一个你满意的样例，让它模仿结构而不是复制内容。
- 把「开放权重」等关键设置弄清楚再调参。
示例：分步完成的写法
接入现有应用
输入：一个已有的业务系统。
通过兼容 OpenAI 格式的接口把本地服务接入现有系统，设置超时和并发上限，先在测试环境跑通。
检查点：超时与并发有限制。
补充练习
小规模微调
适用情况：手头有几百条高质量问答数据时。
用这批数据做一次 LoRA 微调：划分训练集和验证集，记录训练参数，微调前后用同一批问题对比效果。
交付前确认：有前后对比。
本地部署试跑
适用情况：手头有一台有独立显卡或大内存的电脑时。
按官方文档在本机部署，选择一个适合显存的模型尺寸，运行一个简单的对话或推理测试，记录显存占用和生成速度。
验收标准：记录了资源占用。
模型对比测试
适用情况：手头有两到三个候选开源模型时。
用 20 个真实业务问题测试候选模型，记录回答质量、速度和资源占用，选出最适合的模型。
验收标准：测试问题相同。
常见问题：服务对外暴露有风险
只监听内网地址，加认证和反向代理。
常见问题：升级后不兼容
固定版本号，升级前在测试环境验证。
常见问题：中文效果不理想
优先选择中文训练数据充足的模型。
概念补充：量化
降低模型参数精度以减少显存占用，可能影响效果。
概念补充：推理框架
负责加载模型并高效生成结果的软件。
适合人群：法务与律师助理
法务与律师助理可以用 LLaMA-Factory 处理合同初审、法规检索等工作。需要注意：AI 输出不构成法律意见，条款和法规必须由执业人员核实。
适合人群：数据分析师
数据分析师可以用 LLaMA-Factory 处理取数与 SQL、清洗与可视化等工作。需要注意：确认指标口径，敏感数据脱敏后再交给 AI 处理。
适合人群：医疗机构行政人员
医疗机构行政人员可以用 LLaMA-Factory 处理文书整理、患者沟通材料等工作。需要注意：AI 不得替代医生诊断，患者信息必须按法规保护。
写在最后
所有示例输出均为示意，不代表真实统计或效果承诺；请以自己的测试结果为准。
文中提示词和示例仅作示意，实际效果取决于你的材料和 LLaMA-Factory 当前版本，重要内容请人工核对后再使用。