第一章 基础认知与准备
文档摘要
第一章 基础认知与准备 导读：很多人一上来就问"LoRA 怎么配参数"，但事实证明，90% 的微调失败都源于对问题本身的误判——到底要不要微调？用什么方法？显卡够不够？这一章我们先把地基打牢：搞清楚 LoRA 与 QLoRA 解决的本质问题，看清 GLM-5.2 这类大模型的微调成本账，并手把手把环境搭好。读完这一章，你应该能回答三个问题：我该不该微调、我该用 LoRA 还是 QLoRA、我的机器能不能跑得动。 本章是整个教程的"世界观"章节。它不教你敲命令，而是帮你建立一套判断框架：在后面的核心原理、进阶优化与实战案例里，你遇到的每一个工程选择，根源都在这章的概念里。建议不要跳读。
第一章 基础认知与准备
导读：很多人一上来就问"LoRA 怎么配参数"，但事实证明，90% 的微调失败都源于对问题本身的误判——到底要不要微调？用什么方法？显卡够不够？这一章我们先把地基打牢：搞清楚 LoRA 与 QLoRA 解决的本质问题，看清 GLM-5.2 这类大模型的微调成本账，并手把手把环境搭好。读完这一章，你应该能回答三个问题：我该不该微调、我该用 LoRA 还是 QLoRA、我的机器能不能跑得动。
本章是整个教程的"世界观"章节。它不教你敲命令，而是帮你建立一套判断框架：在后面的核心原理、进阶优化与实战案例里，你遇到的每一个工程选择，根源都在这章的概念里。建议不要跳读。
本章你将学到
- 微调（Fine-tuning）与提示工程（Prompting）、检索增强（RAG）的边界到底在哪，什么场景才真正需要微调
- LoRA 与 QLoRA 的本质区别：一个省"参数"，一个省"显存"，但底层是同一套思想
- GLM-5.2 的模型规模与显存占用估算方法，如何凭一张显卡的显存数字判断能不能跑
- 一套可复用的本地环境搭建清单，以及 PyTorch、Transformers、PEFT、bitsandbytes 的版本选择原则，避免一上来就踩依赖坑
谁适合读这本教程
如果你手里有一张 8G、16G 或 24G 的显卡，想让 GLM-5.2 学会你所在领域的术语和口吻，却被告知"全量微调至少要 80G 显存"，那么这本教程就是为你写的。我们默认你已经会用 Python 和 PyTorch 做基本的模型推理，但不需要你有过微调经验。
章节导航
- 1.1 为什么需要低成本微调：从"全量微调不可行"说起
- 1.2 LoRA 与 QLoRA 核心概念辨析
- 1.3 环境与数据准备：跑通第一个训练脚本前要做的事
一个贯穿全书的判断框架
在动手之前，先记住下面这条决策链，它会反复出现：
- 先问"要不要微调"：很多需求用 prompt 或 RAG 就能解决，微调是成本更高的选项，别一上来就微调。
- 再问"显存够不够"：够就用 LoRA（训练快、精度好）；不够就用 QLoRA（4-bit 量化后训练，显存砍掉一大半）。
- 最后才是"参数怎么调"：rank、alpha、学习率这些，是前面两个选择确定之后才需要纠结的细节。
理解了这个顺序，你就理解了为什么本书第 1 章先讲认知、第 2 章再讲模块、第 3 章才讲参数——因为我们想让你成为一个会做取舍的人，而不是一个只会抄配置的人。
小结
低成本微调不是"更便宜的全量微调"，而是一种全新的范式：它承认我们大多数人都负担不起全量微调，于是转而只训练极少参数、或把模型压到 4-bit 后再训练。理解了这一点，你在后续章节遇到的每一个工程选择，都会变得顺理成章。下一节我们将从"全量微调为什么不可行"这个具体痛点讲起。