适合谁
适合熟悉 Python 和终端、想让开源模型适应自己数据的开发者。第 1、2 课不需要 GPU，第 3 课需要。如果你的目标是基于自己的文档给出答案，RAG 课比微调更合适。
课程内容
- 1什么时候微调大模型：提示词、RAG 还是训练？微调改变的是模型的行为，不是它知道什么。先把模型的失败分成上下文问题和行为问题，再选提示词、RAG 还是微调。
- 2微调数据集：建好、检查并拆分你的训练数据建一个微调数据集：JSONL 聊天格式、起步用多少条样本、检查文件的脚本，以及一份留出的测试集。
- 3LoRA 微调：用 TRL 和 PEFT 训练适配器用 LoRA 微调开源模型：TRL 和 PEFT 训练脚本、每项设置的含义、模型装不下时用 QLoRA，以及 Unsloth。
- 4运行微调后的模型：打分、合并，再导入 Ollama运行你微调好的模型：先拿 LoRA 适配器和基础模型对比打分，再合并，最后以文件夹或量化后的 GGUF 文件导入 Ollama。
常见问题
这门微调课免费吗？
免费。四节课都可以免费阅读，每一课的末尾都列出了它的资料来源。训练需要 GPU，这部分硬件要你自己准备。
学这门课需要 GPU 吗？
只有第 3 课需要，它要训练适配器。它用的是 Qwen3-0.6B，TRL 自己的快速上手加载的就是这个小模型。第 1、2 课是阅读和处理文件。
微调比 RAG 更好吗？
它们解决的是不同的问题。第 1 课帮你给失败案例分类：缺知识指向检索，格式或语气不一致指向微调。OpenAI 的准确率指南说两者是叠加的，不是互斥的。
这门课用了哪些库？
训练用 Hugging Face 的 TRL，LoRA 用 PEFT，QLoRA 用 bitsandbytes，Unsloth 是可选的更快的加载器。第 4 课用 PEFT 合并，用 llama.cpp 转换，在 Ollama 里运行模型。
学完这门课，接下来学什么？
下一门是 MCP 课。它用 Python 或 TypeScript 构建 MCP 服务器，助手就是靠它接触文件、数据库和工具的。