先说清楚它是什么：Phi 小模型属于「本地与开源」方向的开放权重模型，微软的小参数语言模型系列。

这篇不讲概念，直接给能复制修改的模板，以及每个模板该怎么填。

模板怎么用

每个模板都由三部分组成：背景（你是谁、要做什么）、约束（格式、篇幅、禁止事项）、验收（怎样算合格）。把方括号里的内容换成你自己的信息即可。

模板 1：私有知识问答

适合：一批不能上传云端的内部文档。

在本地搭建问答：本地模型负责回答，文档向量化存储在本机，回答时注明出处段落，断网情况下验证仍可使用。

填写提示：要求它在不确定处标注，而不是自行补全；验收看「断网可用」。

模板 2：接入现有应用

适合：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。

填写提示：要求它在不确定处标注，而不是自行补全；验收看「超时与并发有限制」。

模板 3：模型对比测试

适合：两到三个候选开源模型。

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。

填写提示：如果结果太长，补一句字数或条数上限；验收看「测试问题相同」。

模板维护

  • 给每个模板编号并记录修改日期。
  • 保留一份「效果好」的示例输出作为对照。
  • 团队共用时注明适用场景和负责人。

更多可以试的用法

小规模微调

输入：几百条高质量问答数据。

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。

检查点：有前后对比。

团队共享服务

适用情况：手头有一台团队共用的服务器时。

把服务部署为团队共享：设置访问认证、按用户记录调用日志、限制单用户并发，并写一份使用说明。

检查点：开启了访问认证。

本地部署试跑

准备材料：一台有独立显卡或大内存的电脑。

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。

检查点：记录了资源占用。

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。

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：生成速度很慢

检查是否使用了 GPU 加速，减少上下文长度。

概念补充：LoRA 微调

只训练少量附加参数的低成本微调方法。

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。

适合人群：数据分析师

数据分析师可以用 Phi 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：财务人员

财务人员可以用 Phi 处理单据识别录入、报表说明与分析等工作。需要注意：财务数据属于敏感信息，优先使用企业版或本地方案，结果需复核。

写在最后

涉及个人信息、商业机密或受监管数据时，先确认 Phi 小模型的数据处理条款，再决定能否使用。

本文基于 Phi 小模型公开的定位与通用用法编写，具体功能、套餐与可用地区以官方页面为准，产品更新后界面和名称可能变化。

延伸阅读