微调必要性
通用大模型对企业特定任务效果可能不佳。微调可以让模型适应企业场景，提升特定任务的准确率。
微调方法
主流方法：全量微调（需要大量数据和算力）、LoRA微调（参数高效，适合大多数场景）、Prompt Tuning（最简单，效果有限）。OpenClaw支持微调模型接入。
数据准备
微调数据需要：高质量标注数据（至少1000条）、覆盖典型场景、排除噪声和错误。数据质量直接影响微调效果。
实践经验
建议从LoRA微调开始，投入较小效果明显。微调后需要评估测试，确保效果提升。定期更新微调数据，保持模型效果。