关系记忆不是越完整越好：chunk size 的隐性代价
本文揭示关系型RAG（如祝福/道歉生成）中一个反直觉真相：关系信息并非越完整越好。大chunk会将“可引用的触发点”异化为“需总结的材料”，诱使模型转向安全、抽象、概括性表达，丧失走心感。核心原则是——切分重在“可被直接引用”，而非“逻辑完整”。
GPT-4o 下线 24 小时：3 类线上问题会集中爆发
2026年2月13日起，ChatGPT将退役GPT-4o等旧模型，企业用户可延用至4月3日；API暂不变。此举倒逼测试从业者的模型生命周期管理、行为回归、风格可控性验证及合规边界测试能力升级——大模型正从“稳定依赖”变为“动态运行时”。
当 Prompt 和 RAG 都开始别扭时，你该认真考虑微调了
本文以春节祝福生成为例，揭示微调本质：它不是技术升级的“最后一招”，而是对任务性质的判断结果——当问题核心是“模型会做但不像你要的”（如风格不一致、分寸难拿捏），且Prompt/RAG已显乏力时，微调反而是最克制高效的选择。提供可落地的三维度决策框架。
多任务微调：拜年、感谢、道歉，为什么不是三个简单任务
本文探讨祝福类AI扩展多任务（拜年/感谢/道歉）时的关键工程抉择：表面相似的情绪表达，实则在风险等级、语气分寸与用户期待上差异巨大。多任务微调易致任务“污染”，尤其低风险任务会拉偏高风险任务的表达倾向。核心结论：技术难点不在模型能力，而在厘清人情世故的边界——何时共享，何时拆模，才是成熟落地的关键。
技术抉择：微调还是 RAG？——以春节祝福生成为例
本文以春节祝福生成为例，剖析微调与RAG的本质差异：RAG解决“信息缺失”，微调重塑“表达偏好”。当任务重风格、重分寸、重一致性（如拜年话术），模型缺的不是知识，而是默认的得体表达——此时微调比RAG更直接、可控、高效。
