“模型能写诗，却答不准我的行业问题。”这是最近和几位制造业、汽修、商贸企业的信息化负责人聊天时，听到最多的一句吐槽。他们试过用通用大模型做客服、做知识库，结果要么答非所问，要么一本正经地胡说八道，最后只能退回人工。问题不在模型不够大，而在模型不懂你的行业。
通用模型的“知识盲区”
通用大模型的知识来自公开互联网，对垂直行业的术语、流程、规则、隐性经验几乎一无所知。比如报废车拆解，车型与零部件的对应关系、各地补贴政策、环保合规要求，这些知识不在公开语料里，模型自然答不上来。直接微调？数据从哪来、怎么标注、如何保证准确性，又是一道坎。
先建图谱，再谈微调
一个被验证有效的路径是：先梳理行业知识图谱，再用图谱生成高质量微调数据。图谱把行业里的实体、关系、规则结构化，比如“车型-零部件-拆解工艺-回收价格”的关联网络。基于图谱可以自动生成大量“问题-答案”对，覆盖长尾场景，比人工标注效率高一个量级，且答案有据可查。
两个立刻能做的动作
第一个动作：盘点你手里已有的“知识资产”。产品手册、客服问答记录、售后工单、内部培训文档，这些都是图谱的原料。选一个高频业务场景（比如售后咨询），把相关文档整理成结构化表格，明确实体和关系，这就是最小可用的知识图谱雏形。
第二个动作：用图谱生成100条测试问答，评测通用模型的表现。把答错的、答偏的挑出来，这些就是微调的重点。很多企业在这一步就发现，80%的错误集中在20%的领域概念上，针对性补充数据即可显著提升。
微调不是重训练，是“补课”
不少负责人一听微调就想到算力成本。其实基于知识图谱的微调，更多是“补课”而非“重造”。用图谱生成的数据量可控、质量高，配合参数高效微调方法，中小企业的预算完全覆盖得起。关键是把行业知识喂对、喂准，而不是盲目堆数据量。
场景落地：从报废车到数字人
在报废车AI场景，我们帮客户把车型库、零部件图谱、政策规则整合，微调后的模型能准确回答“某车型三元催化器回收参考价”“某地报废补贴申请条件”等问题，一线人员不用再翻手册。类似逻辑也适用于数字人客服、行业AI助手——数字人的“专业度”不靠脸，靠背后的知识图谱。
避开三个常见坑
第一个坑：图谱建得大而全，却和业务场景脱节。建议从单点高频场景切入，快速验证价值。第二个坑：微调数据只覆盖“标准问”，忽略口语化、错别字、多轮追问。图谱生成数据时要刻意加入噪声样本。第三个坑：上线后不迭代。业务规则在变，图谱和模型都要定期更新。
轻量启动，别等“完美”
很多企业卡在“等数据齐全再开始”。其实知识图谱可以渐进式建设，先覆盖核心实体和关系，跑通一个场景，再逐步扩展。正易龙在服务中小企业时，通常建议客户用两周时间完成场景选择、知识盘点、测试集构建，先看到效果再决定投入。
让模型说“行话”
当模型能准确说出你行业的“行话”，能引用内部规则回答业务问题，它才真正成为生产力工具。知识图谱驱动的微调，本质是给通用模型装上行业大脑。如果你正在为AI落地效果发愁，不妨从整理一份业务问答清单开始——这是成本最低的第一步。
正易龙科技（ai3e.com）在行业AI、虚拟工作室、数字人、GEO、报废车AI等领域积累了从知识图谱构建到模型微调的完整经验。我们不卖“万能模型”，而是帮你把行业知识变成模型能理解的结构，让AI在具体业务里真正管用。欢迎交流你的场景，一起找到最小可行的起点。