Fine-tuning（微调）是用特定数据重新训练模型的部分参数，让模型在某个领域的表现更好。Prompt Engineering（提示词工程）是通过优化输入指令来引导模型输出。两者的区别是：Prompt 改变的是”你怎么问”，Fine-tuning 改变的是”模型怎么想”。对 GEO 从业者来说，理解这个区别有助于建立对 AI 系统能力边界的正确认知。
通俗理解
Prompt 像给一个通才专家下达具体任务指令： “请以专业 SEO 顾问的身份，用结构化的格式，分析这个网站的 GEO 优化空间。”——你没有改变这个专家的知识结构，只是告诉他应该用什么角度和格式来工作。
Fine-tuning 像让这个专家去进修一个专业课程： 花几周时间学习你所在行业的专业知识，学完之后他就”变成了”一个行业专家——回答问题时自动带有行业视角，不需要每次都在 Prompt 里重复交代背景。
什么时候用哪个
| 场景 | 推荐方式 | 原因 |
|---|---|---|
| 让 AI 用特定格式输出 | Prompt | 格式是指令层面的问题 |
| 让 AI 理解你的行业术语 | Fine-tuning | 术语需要进入模型的知识结构 |
| 让 AI 按品牌调性写内容 | 先试 Prompt，不够再 Fine-tuning | 多数情况 Prompt 足够 |
| 让 AI 回答时引用你的品牌 | 都不是——这是 GEO 的工作 | 引用取决于 RAG 检索和内容质量 |
这和 GEO 有什么关系
很多企业主有一个误解：“我能不能通过微调让 AI 在回答问题时总是推荐我的品牌？”
答案是：不能，至少不能通过微调公共模型实现。
公共 AI 产品（ChatGPT、Perplexity、百度 AI 搜索）使用的是它们自己的模型和 System Prompt，你无法对这些模型做 Fine-tuning。你能影响的只有两件事：
- 参数化记忆——通过长期的多源分发，让你的品牌信息进入公共模型的训练数据（第三章、第七章）
- RAG 检索——通过内容优化，让你的页面在 RAG 检索中被选中并引用（第三到六章）
这两件事就是 GEO 的全部工作。 Fine-tuning 和 Prompt Engineering 是 AI 应用开发者的工具，不是 GEO 从业者的工具。但理解它们有助于你建立对 AI 系统的正确心智模型——知道什么能做、什么不能做，不被虚假承诺误导。
延伸阅读
- 《让AI替你说话：GEO权威指南》第三章”AI 的两条信息通道”
- 《让AI替你说话：GEO权威指南》第七章”跨平台分发”
常见问题 FAQ
-
什么情况下需要微调模型？当需要 AI 在特定领域表现标准化行为（特定格式、特定来源、术语规范），且 Prompt 无法稳定实现时。
-
Fine-tuning 对普通创作者有用吗？大多数不需要。GEO 优化全在内容端完成——答案块、Schema、跨平台分发。不需要碰模型本身。
-
Prompt 和 Fine-tuning 能同时用吗？可以且通常一起用效果最好。Fine-tuning 调基础行为，Prompt 做每次的精细控制。类比：训练能力 vs 具体任务指令。
简体中文 ▾
英语