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。

单独用一个工具往往只解决一段问题，这篇讲怎么把它和上下游工具串起来。

推荐组合：Phi 小模型 + CodeRabbit

CodeRabbit 的定位是：在 Pull Request 上自动做 AI 代码审查的服务。两者分工可以是：Phi 小模型负责「模型对比测试」这一步，CodeRabbit 负责开发集成与脚本处理。

工作流步骤

  1. 明确交付物和验收标准，例如：测试问题相同。
  2. 准备输入：两到三个候选开源模型，先去掉敏感信息。
  3. 在 Phi 小模型中执行核心步骤（提示词见下文）
  4. 把结果交给 CodeRabbit 做下一步处理，或从 CodeRabbit 取得所需材料。
  5. 人工检查关键事实与格式，记录发现的问题。
  6. 把这次用到的提示词和设置保存为模板，下次复用。

模型对比测试

准备材料：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。

验收标准：测试问题相同。

交接时最容易出问题的地方

  • 格式不兼容：两边导入导出的格式提前测试一次。
  • 信息丢失：每次交接附上来源和版本号。
  • 责任不清：约定哪一步由谁做最终确认。
  • 权限分散：两边的账号和分享范围分别检查。

如果暂时不想引入第二个工具，也可以先用 Qwen 小模型等同类产品替代其中一环，跑通流程后再决定。

更多可以试的用法

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。

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。

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。

交付前确认：有前后对比。

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。

常见问题：显存不足无法加载

换用更小的模型或更低的量化等级，或启用 CPU 卸载。

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。

概念补充：许可证

规定能否商用、是否需署名等条件，部署前必须阅读。

概念补充：GGUF

llama.cpp 生态常用的模型文件格式。

适合人群：法务与律师助理

法务与律师助理可以用 Phi 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：科研人员

科研人员可以用 Phi 处理文献检索与阅读、实验记录与数据整理等工作。需要注意：遵守期刊和机构关于 AI 使用的披露要求，引用逐条核对。

注意事项

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。

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。

延伸阅读