尾声 方法选择：从 Prompt 到 Agentic RL¶
面对一个新问题，按下面顺序决策：
- 任务定义清楚吗？ 没有就回第 1 章。
- 问题是知识、行为、推理还是系统流程？ 先分类。
- Prompt/few-shot 能解决吗？ 能就停在第 17 章。
- 需要外部或动态知识吗？ 用第 18 章 检索增强生成：从召回到可信回答。
- 需要操作外部世界吗？ 用第 19 章工具；步骤动态才升级到第 20 章 智能体系统：规划、记忆与行动循环。
- 行为稳定且重复、上下文成本高吗？ 用 SFT 或 LoRA 固化。
- 已经会答，但需要明确偏好边界吗？ 用 DPO。
- 结果可验证且需要探索更优策略吗？ 才用 RLVR。
三道综合设计题¶
题一：企业知识助手¶
知识每天更新、按部门授权、答案必须引用来源。合理主线是 RAG + 权限过滤 + 引用验证；SFT 只教证据使用和拒答，不把文档事实硬塞进参数。
题二：代码修复模型¶
已有基座会写代码，但不擅长公司仓库。先建按仓库切分的 harness 和容器环境；用真实修复轨迹 SFT/LoRA 学工具协议；以隐藏测试做 verifier，再考虑 RLVR 优化多步修复策略。
题三：高风险客服 Agent¶
订单查询、退款和支付有不同权限。用确定工作流承载主流程，模型负责意图与参数；所有写操作幂等、校验、二次确认。只有确实无法预写控制流的部分才交给 Agent。
最终判断标准¶
真正掌握“改模型”不是会说出 LoRA、DPO、GRPO 和 Agent，而是面对失败时能回答：
- 这是哪一层的问题？
- 最小修法是什么？
- 训练信号具体长什么样？
- 它可能损伤什么？
- 用什么独立评测证明修好了？
- 失败后怎样回滚和继续迭代？
能逐项回答，三册的“做模型—跑模型—改模型”才真正闭环。