一位制造业信息化负责人最近很困惑：团队花两个月微调了一个行业大模型，测试集上表现不错，可一线业务人员用了两周就弃用了。问原因，回答很一致——「答得挺流畅，但关键参数老出错，不敢信」。这并非个例。过去一年，不少中小企业把「微调」当成万能药，却忽略了微调之前更关键的一步：把行业知识说清楚。
微调失效的根因不在模型
多数微调失败可以归到三类：语料是原始文档堆砌，缺乏实体关系；业务口径不统一，同一指标不同部门叫法不同；评估标准拍脑袋，没有可验证的基准。模型学到的只是「语言风格」，没学到「业务规则」。结果就是回答像模像样，一涉及关键数值和流程就露馅。
更隐蔽的问题是，企业往往把「数据量」等同于「知识量」。几百份 PDF 喂进去，模型确实能复述片段，但无法回答「这个零件在什么工况下必须更换」这类需要关系推理的问题。微调不是灌数据，而是教模型理解业务对象之间的约束。
知识图谱补的是业务共识
行业知识图谱的价值，首先不在技术炫技，而在于强迫企业把「设备—工艺—参数—标准—责任人」这些实体和关系显性化。这个过程本身就是一次跨部门对齐。很多争议在画图阶段就暴露了：采购说的「合格供应商」和质量部说的不是一回事。
对齐之后，图谱可以反向生成高质量的微调语料：把三元组转成问答对、把约束转成指令样本、把流程转成步骤描述。相比直接爬文档，这种语料噪声更低、覆盖更均衡。同时，图谱还能充当评估基准——模型回答是否与图谱中的关系一致，可以自动校验，减少人工抽检的随意性。
中小企业可执行的两步动作
第一步，选一个「高价值、窄边界」的场景做知识抽取。不要一上来就建全公司图谱，挑一个业务痛感最强的点，比如售后故障排查或报价配置。用两周时间，拉上三位一线老师傅，把该场景下的核心实体和判断规则列成表格，先形成最小可用图谱。
第二步，用这张小图谱生成 200~500 条指令微调样本，再混入原有语料做一次轻量微调。评估时，把图谱关系作为硬性检查项：凡是涉及参数、流程、责任边界的回答，必须与图谱一致。这样一轮下来，通常能明显降低「流畅但错误」的比例，也更容易让业务方建立信任。
先有共识，再谈智能
在正易龙服务行业客户的实践中，我们越来越倾向于把知识图谱作为 AI 落地的前置工序，而不是可选项。无论是虚拟工作室里的数字人培训，还是报废车拆解环节的 AI 辅助判定，底层都需要一套被业务认可的知识结构。模型可以换，图谱沉淀下来的共识不会浪费。
如果你的团队正在纠结「要不要微调」，不妨先问一句：我们的业务知识，能不能被画成一张图？如果画不出来，微调大概率只是把模糊放大了。从一个小场景开始，把共识对齐，再让模型学习——这可能是当下更稳妥的路径。