“我们花了两周微调模型，回答还是像百度百科。”一位制造业信息化负责人抱怨。他喂了几百份产品手册和售后记录，模型却答非所问。这不是个例——许多企业把微调当成万能药，却忽略了模型缺少业务上下文。
问题不在算力或数据量，而在知识组织方式。文档是散乱的，模型学不到实体关系。比如“某型号阀门适用哪些工况”，答案藏在手册、图纸和工程师经验里，没有结构化关联，微调只是把文本压缩成概率，而非理解。
微调不是喂文档那么简单
常见误区有三：一是把微调当搜索，指望模型背下所有文档；二是数据量崇拜，堆几千条问答却缺少业务逻辑；三是忽略知识更新，产品迭代后模型还答旧参数。结果投入不菲，业务部门却觉得“AI不好用”。
更深层的问题是，企业知识往往以非结构化形式散落在邮件、工单、聊天记录里。直接微调相当于让模型在噪声里找规律，效果自然不稳定。而行业知识图谱恰好能把这些碎片整理成“实体—关系—属性”的网络，为微调提供高质量的结构化语料。
知识图谱补上业务上下文
知识图谱不是新概念，但在大模型时代价值被重估。它把行业术语、产品参数、故障现象、解决方案连成网，让模型知道“A部件故障通常由B原因导致，需检查C参数”。微调时，这些关系作为训练信号，模型学到的不是文本片段，而是推理路径。
趋势上，领先企业已从“通用模型+提示词”转向“行业图谱+轻量微调”。某设备厂商将维修知识图谱嵌入微调流程后，客服机器人首次解决率提升明显，且能主动追问工况。图谱还支持增量更新，新产品上线只需补充节点和关系，不必重新训练全量数据。
两个可执行动作，本周就能启动
动作一：梳理核心业务实体和关系。选一个高频场景（如售后诊断），列出涉及的设备、部件、故障、原因、措施五类实体，用表格或图数据库画出关系。不必追求大而全，先覆盖80%常见问题。这份图谱就是微调数据的骨架。
动作二：用图谱生成问答对，替代人工标注。基于图谱路径自动生成“故障现象→可能原因→检查步骤”的问答对，再让业务专家审核修正。这样微调数据既有逻辑又可控，成本远低于纯人工标注。完成后用少量数据微调开源模型，一周内可验证效果。
从单点验证到场景复制
验证成功后，可把方法复制到更多场景：销售报价、合规审查、工艺参数推荐。每个场景建小图谱，逐步连成企业知识网络。正易龙的行业AI实践表明，这种“图谱+微调”路径尤其适合中小企业——不需要庞大算力，而是把业务专家经验结构化，让模型学会“像老师傅一样思考”。
如果团队缺少图谱经验，可借助虚拟工作室快速搭建原型，或利用数字人交互收集真实问答，反哺图谱。关键是先跑通一个闭环，让业务部门看到效果，再谈扩展。
AI落地不是模型竞赛，而是知识工程。与其盲目微调，不如先画一张业务知识地图。本周选一个痛点场景，梳理20个实体和关系，你会发现问题已经解决了一半。