這篇文章記錄我用 OpenAI 微調（fine-tuning）模型的完整實作過程：從設計訓練資料的五種方向（生成問題、細化回答、分類、摘要、結構化標記），到用法規問答實例組出 data.jsonl，再到 OpenAI 平台上傳、訓練、更換 API 模型的每一個步驟。讀完你就能照著把自己的領域資料餵給模型，訓練出符合需求的專屬機器人。
微調可以做什麼？五種常見的訓練資料方向
我們可以用微調來調整機器人有一致的回覆口吻和邏輯，或針對特定任務來加強模型的能力，例如生成問題、回答細化，到分類、摘要生成和結構化標記。每一行訓練資料都是一組 messages 對話（system / user / assistant），以下是我在每種方向使用的資料格式。
1. 生成問題
任務目標：根據提供的文本生成可能的相關問題。
{
"messages": [
{
"role": "system",
"content": "你是一個能根據文本生成相關問題的助手。"
},
{
"role": "user",
"content": "台灣位於東亞，擁有世界領先的半導體產業，尤其以台積電（TSMC）為代表。"
},
{
"role": "assistant",
"content": "1. 台灣在哪裡？\n2. 台灣的主要產業是什麼？\n3. 哪家公司代表了台灣的半導體產業？"
}
]
}
2. 細化回答
任務目標：根據問題生成多種類型的回答（簡潔、詳細、多角度）。
{
"messages": [
{
"role": "system",
"content": "你是一個能根據問題生成不同類型回答的助手，包括簡潔、詳細和多角度回答。"
},
{
"role": "user",
"content": "台灣的主要產業是什麼？"
},
{
"role": "assistant",
"content": "簡潔回答：半導體。\n詳細回答：台灣的主要產業是半導體，此外電子製造業和資訊科技服務業也佔有重要地位。\n多角度回答：半導體是台灣的核心產業，特別是在晶圓代工和芯片設計方面。此外，電子產品的生產與出口也非常重要。"
}
]
}
3. 分類
任務目標：將文本分配至特定的類別（如情感分類或主題分類）。
情感分類範例：
{
"messages": [
{
"role": "system",
"content": "你是一個情感分析助手，能判斷文本是正面、負面或中性的情感。"
},
{
"role": "user",
"content": "台灣的自然風景令人驚嘆，擁有多樣的生態系統。"
},
{
"role": "assistant",
"content": "正面"
}
]
}
主題分類範例：
{
"messages": [
{
"role": "system",
"content": "你是一個主題分類助手，能根據文本內容將其歸類為科技、旅遊、醫療等主題。"
},
{
"role": "user",
"content": "台積電的先進製程技術使其成為全球晶圓代工的領導者。"
},
{
"role": "assistant",
"content": "科技"
}
]
}
4. 摘要
任務目標：從提供的文本中生成簡短的摘要。
{
"messages": [
{
"role": "system",
"content": "你是一個能根據文本生成摘要的助手，專注於提取關鍵資訊。"
},
{
"role": "user",
"content": "台灣位於東亞，擁有世界領先的半導體產業，尤其以台積電（TSMC）為代表。該國的科技產業是其經濟增長的主要推動力，並在全球供應鏈中扮演重要角色。此外，台灣的教育水準和基礎建設也為產業發展提供了良好條件。"
},
{
"role": "assistant",
"content": "台灣以半導體產業為經濟增長主要推動力，台積電是其核心代表。"
}
]
}
5. 特定任務的結構化標記
任務目標：從文本中提取關鍵實體並將其標記為結構化數據。
命名實體識別（NER）範例：
{
"messages": [
{
"role": "system",
"content": "你是一個命名實體識別助手，能從文本中提取實體並標記其類型（如人名、地點、組織）。"
},
{
"role": "user",
"content": "台積電總部位於新竹，是世界領先的半導體公司之一。"
},
{
"role": "assistant",
"content": "- 台積電: 公司名\n- 新竹: 地點"
}
]
}
結構化數據抽取範例：
{
"messages": [
{
"role": "system",
"content": "你是一個數據抽取助手，能從文本中提取結構化信息。"
},
{
"role": "user",
"content": "台積電的市值約為6000億美元，創立於1987年。"
},
{
"role": "assistant",
"content": "- 公司: 台積電\n- 市值: 6000億美元\n- 創立年份: 1987年"
}
]
}
實戰範例：用法規問答資料訓練法規助手
如果我期待機器人可以更深入的理解法條，例如下面這份「衛生福利部急難救助金申請審核及撥款作業規定」：
【衛生福利部】衛生福利部急難救助金申請審核及撥款作業規定
一、急難救助對象： （一）戶內人口死亡無力殮葬者。 （二）戶內人口遭受意外傷害或罹患重病，致生活陷於困境者。 （三）負家庭主要生計責任者，失業、失蹤、應徵集召集入營服役或替代役現役、入獄服刑、因案羈押、依法拘禁或其他原因，無法工作致生活陷於困境者。 （四）財產或存款帳戶因遭強制執行、凍結或其他原因未能及時運用，致生活陷於困境者。 （五）已申請福利項目或保險給付，尚未核准期間生活陷於困境。 （六）其他因遭遇重大變故，致生活陷於困境，經直轄市、縣（市）主管機關訪視評估，認定確有救助需要者。
※同一事故之救助，以一次為限。
二、申請流程 申請急難救助者，應備齊申請表件，檢同相關證明文件，向戶籍所在地鄉（鎮、市、區）公所提出申請，轉報直轄市政府社會局或縣（市）政府核定之﹔直轄市政府社會局或縣（市）政府對於急難救助對象經核予救助後，仍陷於困境者，得轉報衛生福利部（以下簡稱本部）核定再予救助。
可以設計以下 data.jsonl 檔案內容，每一行都是一組完整的問答對話：
{"messages": [{"role": "system", "content": "你是一個專業的法規助手，能夠精確解析法條並提供準確回答。"}, {"role": "user", "content": "請說明急難救助的對象包含哪些情形？"}, {"role": "assistant", "content": "急難救助對象包含以下情形：\n1. 戶內人口死亡無力殮葬者。\n2. 戶內人口遭受意外傷害或罹患重病，致生活陷於困境者。\n3. 負家庭主要生計責任者，因失業、失蹤、服役、入獄等原因無法工作，致生活陷於困境者。\n4. 財產或存款帳戶遭強制執行、凍結或其他原因未能及時運用，致生活陷於困境者。\n5. 已申請福利或保險給付，尚未核准期間生活陷於困境者。\n6. 其他因重大變故，經地方政府評估認定確有救助需要者。"}]}
{"messages": [{"role": "system", "content": "你是一個專業的法規助手，能夠精確解析法條並提供準確回答。"}, {"role": "user", "content": "是否可以針對同一事故申請多次急難救助？"}, {"role": "assistant", "content": "不可以，依規定，同一事故的急難救助以一次為限。"}]}
{"messages": [{"role": "system", "content": "你是一個專業的法規助手，能夠精確解析法條並提供準確回答。"}, {"role": "user", "content": "申請急難救助需要經過哪些流程？"}, {"role": "assistant", "content": "申請急難救助的流程如下：\n1. 準備申請表件及相關證明文件。\n2. 向戶籍所在地的鄉（鎮、市、區）公所提出申請。\n3. 公所轉報直轄市政府社會局或縣（市）政府核定。\n4. 若救助後仍陷於困境，可由地方政府轉報衛生福利部核定再予救助。"}]}
{"messages": [{"role": "system", "content": "你是一個專業的法規助手，能夠精確解析法條並提供準確回答。"}, {"role": "user", "content": "如果戶內有人因意外傷害導致生活困境，是否符合急難救助條件？"}, {"role": "assistant", "content": "是的，戶內人口遭受意外傷害，導致生活陷於困境者，符合急難救助的條件之一。"}]}
{"messages": [{"role": "system", "content": "你是一個專業的法規助手，能夠精確解析法條並提供準確回答。"}, {"role": "user", "content": "某家庭主要生計者因入獄服刑，導致家人生活陷於困境，是否可申請急難救助？"}, {"role": "assistant", "content": "可以，家庭主要生計責任者因入獄服刑無法工作，導致生活陷於困境，符合急難救助對象的條件之一。"}]}
{"messages": [{"role": "system", "content": "你是一個專業的法規助手，能夠精確解析法條並提供準確回答。"}, {"role": "user", "content": "急難救助的申請對象有什麼限制？"}, {"role": "assistant", "content": "急難救助的申請對象需要符合以下條件之一：\n1. 戶內人口死亡無力殮葬者。\n2. 戶內人口因意外或疾病導致生活困難。\n3. 家庭主要生計者無法工作導致家庭困境。\n4. 財產或存款帳戶因特定原因無法運用。\n5. 已申請福利或保險但尚未核准期間。\n6. 因重大變故生活陷於困境，經地方政府認定確有需要者。"}]}
{"messages": [{"role": "system", "content": "你是一個專業的法規助手，能夠精確解析法條並提供準確回答。"}, {"role": "user", "content": "急難救助申請時需要準備哪些資料？"}, {"role": "assistant", "content": "申請急難救助時需要準備以下資料：\n1. 填寫完整的急難救助申請表。\n2. 相關證明文件，例如醫療證明、財務資料、戶籍資料等。\n3. 符合條件的其他輔助證明文件。"}]}
{"messages": [{"role": "system", "content": "你是一個專業的法規助手，能夠精確解析法條並提供準確回答。"}, {"role": "user", "content": "急難救助的撥款程序是怎樣的？"}, {"role": "assistant", "content": "撥款程序如下：\n1. 由地方政府對急難救助申請進行審核並核定金額。\n2. 審核通過後，將救助款項撥至申請人指定的帳戶。\n3. 若地方救助後仍陷於困境，地方政府可轉報衛生福利部核定追加撥款。"}]}
{"messages": [{"role": "system", "content": "你是一個專業的法規助手，能夠精確解析法條並提供準確回答。"}, {"role": "user", "content": "如果財產或存款遭強制執行，是否符合急難救助的條件？"}, {"role": "assistant", "content": "是的，若財產或存款帳戶因遭強制執行或凍結而無法運用，導致生活陷於困境，符合急難救助條件之一。"}]}
{"messages": [{"role": "system", "content": "你是一個專業的法規助手，能夠精確解析法條並提供準確回答。"}, {"role": "user", "content": "已申請其他福利項目，但尚未核准期間可以申請急難救助嗎？"}, {"role": "assistant", "content": "可以，若已申請其他福利或保險給付，但尚未核准期間生活陷於困境，符合急難救助條件之一。"}]}
在 OpenAI 平台上執行微調
接著來到 OpenAI 的微調頁面：https://platform.openai.com/finetune
按 + Create：
接著在畫面中選擇剛剛儲存的 data.jsonl 檔案：
訓練前檢查資料集與費用估算
在微調之前，可以先閱讀這篇文章，學習如何在訓練前檢查資料集的格式、數據結構，並預估可能耗費的錢：https://cookbook.openai.com/examples/chat_finetuning_data_prep
該工具提供多項實用功能，幫助開發者準備高質量的數據集並規劃微調模型的成本：
- 格式檢查：自動檢查數據集中的格式錯誤，確保數據符合微調需求。
- 統計分析：生成基本的數據統計信息，例如對話回合數、用戶和助手訊息的分佈情況，便於了解數據結構。
- 代幣數量估算：預估微調所需的代幣數量，為開發者提供費用規劃參考，避免超出預算。
開始訓練與呼叫微調後的模型
然後就可以開始微調：
會跑出一些訓練數據，代表模型對這些資料的訓練學習狀況。
訓練完成之後可以看見你訓練好的模型名稱，接著在 API 改變呼叫的模型就可以了：
常見問題
OpenAI 微調的訓練資料格式是什麼？
每一行都是一個 JSON 物件，包含 messages 陣列，裡面依序是 system（設定角色）、user（輸入）與 assistant（期望輸出）三種角色的對話。整份檔案以 JSONL 格式儲存，副檔名為 .jsonl。
微調前要怎麼檢查資料集有沒有問題？
可以使用 OpenAI Cookbook 提供的資料準備工具，它會自動做格式檢查、統計分析（對話回合數、訊息分佈），並估算微調所需的 token 數量與費用，幫助你在訓練前就發現格式錯誤並規劃預算。
微調完成後要怎麼使用訓練好的模型？
訓練完成後，OpenAI 平台會顯示你訓練好的模型名稱。只要在呼叫 OpenAI API 時，把 model 參數從原本的基礎模型改成這個微調模型名稱，就能使用訓練後的模型。
哪些任務適合用微調來加強？
適合微調的任務包括：讓機器人有一致的回覆口吻與邏輯、根據文本生成問題、細化回答、文本分類（情感或主題）、摘要生成，以及從文本中提取實體做結構化標記等特定任務。
參考資料
延伸閱讀
- OpenAI 的模型微調過程完整教學：從準備資料到訓練出專屬模型：同樣聚焦 OpenAI、Fine-tuning，可接著比較不同情境的做法。
- LoRA（Low-Rank Adaptation）是什麼？低參數微調 LLM 的原理與優點解析：同樣聚焦 LLM、Fine-tuning，可接著比較不同情境的做法。
- LLM 微調是什麼？與 RAG 的選擇與資料準備挑戰：同樣聚焦 Fine-tuning、LLM，可接著比較不同情境的做法。
最後更新
2026-08-28（原文發布於 2024-11-29，本文保留原始筆記內容並補上 GEO 結構。）
關於作者
Claire Chang ｜ 企業 AI 導入與流程轉型顧問。專注於 AI Agent 架構設計、ERP 系統整合與企業 AI 治理。
首次發布：2024-11-29