4.7 微调实战案例：法律文本分析与代码审查应用
一、与《大模型应用开发极简入门》4.2.3 的对应
本书第4章 4.2.3 微调实战 明确列举：法律文本分析、代码审查、财务摘要、营销文案生成。本节选取其中法律文本分析与代码审查两个典型场景，给出数据形式、微调价值与实现要点，与书中「微调实战」一一对应。
二、法律文本分析
2.1 场景
从合同条款中提取关键信息（如甲方、乙方、金额、期限、违约责任），输出结构化 JSON，便于下游系统入库或审批流程使用。
2.2 数据示例（JSONL 单条）
{"messages": [{"role": "system", "content": "你从合同中提取关键信息，仅输出JSON，不要其他文字。"}, {"role": "user", "content": "合同内容：甲方：A公司。乙方：B公司。合同金额：100万元。履行期限：2024年1月1日至2024年12月31日。"}, {"role": "assistant", "content": "{\"party_a\": \"A公司\", \"party_b\": \"B公司\", \"amount\": \"100万元\", \"period\": \"2024年1月1日至2024年12月31日\"}"}]}
2.3 数据规模与质量建议
- 至少数百条以上，覆盖不同合同类型（采购、劳务、租赁等）。
- 标注需一致：字段名、单位（万元/元）、日期格式统一。
- 可加入少量「无法从文中提取」的样本，assistant 输出
{"error": "未找到对应信息"}，提升边界情况表现。
2.4 微调价值（书 4.2.3）
法律术语与格式高度专业化，通用模型易在字段名、单位、日期格式上不一致。微调后可提升提取准确率与格式一致性，减少后处理与人工复核成本。
三、代码审查应用
3.1 场景
根据代码片段与公司规范，生成审查意见（如安全、风格、性能、可读性），输出结构化结果（如「类别」「严重程度」「说明」「建议」）。
3.2 数据示例（JSONL 单条）
{"messages": [{"role": "system", "content": "你是代码审查助手，根据给定规范对代码给出审查意见，仅输出JSON数组。"}, {"role": "user", "content": "规范：禁止使用eval。代码：\nprint(eval('1+1'))"}, {"role": "assistant", "content": "[{\"category\": \"安全\", \"severity\": \"high\", \"message\": \"禁止使用eval\", \"suggestion\": \"改用ast.literal_eval或直接计算\"}]"}]}
3.3 数据来源与多样性
- 来源：历史 Code Review 记录、内部规范文档 + 人工或半自动构造（代码+规范 → 期望审查结果）。
- 多样性：不同语言（Python、JS等）、不同违规类型（安全、风格、性能），避免只覆盖单一类型。
3.4 微调价值（书 4.2.3）
企业代码规范各异，通用模型难以稳定遵循内部规范与术语。微调可适配内部规范与表述，使审查结果风格统一、类别与严重程度与现有流程一致。
四、通用流程回顾
两个案例均遵循 4.6 节流程：数据准备（格式+质量）→ 转 JSONL → 上传 → 提交训练 → 监控 loss → 评估格式符合率与任务指标。法律场景侧重字段完整与合规表述；代码审查侧重类别、严重程度与建议的可操作性。
五、与提示工程的取舍
若数据量有限或任务变化频繁，可先用提示工程（角色+少样本+JSON 约束）试跑；当格式符合率或领域术语满足不了需求时，再投入数据做微调。书中 4.2.4「成本与权衡」与 4.3 小结中的「组合策略、场景选型」与此一致。
六、书中另外两个实战场景的简要说明（4.2.3）
书中 4.2.3 还提到财务摘要与营销文案生成，可作为扩展方向：（1）财务摘要：输入为报表、公告等长文本，输出为固定结构的摘要（如关键指标、风险提示、结论），数据格式与法律文本类似，均为「长文本 → 结构化 JSON/段落」；（2）营销文案生成：输入为产品信息与风格要求，输出为广告语、推文等，更偏创意与风格一致性，微调时可侧重语气、长度与品牌话术。二者与法律、代码审查一样，都强调领域一致性与格式稳定，按 4.6 节流程准备数据与评估即可。
七、数据构造与标注成本
法律与代码审查的微调数据通常需领域人员参与：法律条款提取需法务或合同管理员标注关键字段，代码审查需资深开发按内部规范写出期望的审查结果。标注成本是微调立项时的重要考量。可采取折中方案：（1）先收集历史已有标注（如历史合同解析结果、Code Review 评论），清洗后转为 JSONL；（2）用通用模型生成初版标注，再由人工抽检与修正，降低纯人工标注量；（3）先在小规模数据上微调验证效果，再决定是否扩大数据投入。书中 4.2.3「微调实战」与 4.2.4「成本与权衡」均强调数据质量与成本，本节两个案例是典型的高质量数据场景，适合作为团队首次微调的试点。
八、小结
法律文本分析与代码审查是书中 4.2.3「微调实战」的典型应用。通过高质量标注数据与统一格式，微调可显著提升领域适配性与输出稳定性。第四章完结，下一章将进入 LangChain 与 RAG 系统构建。读者可任选法律或代码审查其一，按本节数据示例与 4.6 节流程跑通一次完整微调，再类比扩展到财务摘要或营销文案，即可掌握书中「微调实战」的全貌。
九、与第 5 章 LangChain、RAG 的衔接
微调得到的模型可在 LangChain 中作为自定义 LLM 使用：用 OpenAI 的 base_url 或 model 指定 fine_tuned_model ID，即可在 5.2 节链、5.5 节 RAG、5.6 节 Agent 中调用。法律提取、代码审查等若需结合 RAG（如先检索合同模板再提取），可将微调模型与 RAG 管线组合：检索结果注入上下文，模型负责结构化输出，与 5.4、5.5 节架构一致。书中第 4 章微调与第 5 章框架、RAG 的衔接点即在于：微调解决「领域与格式」，RAG 解决「知识范围」，二者可同时使用。
十、小结（复述）
法律文本分析与代码审查对应书中 4.2.3 微调实战；数据格式、质量与流程遵循 4.6 节。掌握二者后可按同样模式扩展财务摘要、营销文案等场景，并与第 5 章 LangChain、RAG 组合使用，形成「领域模型 + 知识检索」的完整方案。书中 4.2.3 还提到财务摘要与营销文案生成：财务摘要为长文本→结构化摘要，数据形式与法律类似；营销文案更偏创意与风格，微调时可侧重语气与品牌话术。二者均强调领域一致性与格式稳定，按 4.6 节流程准备数据与评估即可扩展。
第四章完结。下一章：第五章 LangChain与RAG系统构建
