為你的 Lovable 應用程式微調支援機器人（生產環境零 API 費用）

每個 Lovable 應用程式最終都需要客戶支援。標準做法是插入帶有滿滿文件的 GPT-4 系統提示。你把溫度調低，告訴它要樂於助人，然後期待最好的結果。它能用——某種程度上。但每次對話花費 $0.03 到 $0.06，每週至少一次幻覺你的定價頁面，而且完全不知道你三個月前把「Pro Plan」重命名為「Growth Plan」了。有更好的方法。

如果你的支援機器人真正了解你的產品呢？不是「我爬了你的 FAQ」的意義上，而是「我在 500 次真實支援對話上訓練過，我知道你的用戶遇到的確切邊緣案例」的意義上。這就是微調給你的。當你用 Ollama 在本地部署微調後的模型時，每次對話的成本從 $0.04 降到恰好 $0.00。

本指南演示整個過程：收集你的訓練資料、使用 Ertas 微調模型、在本地部署、並將其整合到 Lovable 構建的應用程式中。不需要 ML 背景。不需要 GPU 叢集。不需要持續的 API 帳單。

為何通用 LLM 在支援機器人上表現不佳

讓我們坦誠說說當你把 GPT-4 指向你的產品文件並讓它回答客戶問題時會發生什麼。

它幻覺產品細節。 問它定價，它會自信地陳述六個月前有效的數字——或從來不是真的數字。問某個功能限制，它會發明一個不存在的解決方案。通用 LLM 不了解你的產品。它們了解「回答 SaaS 產品問題」的一般模式，並用聽起來合理的捏造填空。

它的語氣不一致。 一次對話聽起來像矽谷行銷頁面。下一次聽起來像 Wikipedia 文章。你的支援機器人應該聽起來像你的品牌。通用模型聽起來像它們自己。

規模擴大時很昂貴。 以下是 GPT-4o 支援對話的計算：

每月 10,000 次對話，你在支援機器人推論上花費 $300 到 $600。對於收取 $9.99/月的獨立應用程式，這是顯著的利潤打擊。與你的託管成本呈亞線性增長不同，API 成本隨每一次對話線性擴展。

它不隨時間改善。 你的人工支援代理會學習。他們看到同樣關於 CSV 匯出錯誤的工單十二次，解決速度越來越快。GPT-4 機器人從一次對話到下一次什麼都不學。每次互動都從零開始。

微調修復了所有四個問題。在你實際支援資料上訓練的模型了解你的產品細節、保持一致的語氣、以零每 token 成本在本地運行，並可在你的產品演化時重新訓練。

更好的方法：在你的支援資料上訓練的模型

微調不是關於讓小型模型在一般意義上更聰明。而是關於讓它成為一個狹窄領域的專家：你的產品、你的用戶、你的邊緣案例。

在 400 個來自你實際產品的高品質支援對話上微調的 7B 參數模型，對你的特定支援使用案例將一貫優於帶系統提示的 GPT-4。為什麼？因為：

• 它見過你的用戶真正問的問題，而不是假設的問題
• 它了解你確切的功能集、限制和定價
• 它從數百個範例中學習了你的品牌聲音
• 它處理你的特定邊緣案例，因為它是在這些案例上訓練的

代價是它在其他方面會更差。讓它寫詩，它可能會試圖排查你的帳單頁面。但這就是整個重點。你不需要你的支援機器人寫詩。

收集你的訓練資料

你需要輸入-輸出配對：一個客戶問題和理想的支援回應。以下是找到它們的地方。

來源 1：以前的支援票。 如果你一直在手動做支援（電子郵件、Intercom、Crisp，任何都好），你坐在一個金礦上。匯出你的票歷史。每張已解決的票都是一個潛在的訓練範例。專注於客戶確認問題已解決的票——這些代表成功的支援互動。

來源 2：你的幫助文件。 將每篇幫助文章轉換為問答對。對你文件的每個部分，寫 3-5 個用戶可能問的問題，這個部分能回答，然後寫出理想的回應。20 頁的幫助中心可以生成 60-100 個訓練範例。

來源 3：你的 FAQ。 類似於文件，但這些已經是問答格式。將每個 FAQ 答案擴展為對話式支援回應，而不是文件式答案。

來源 4：合成生成。 這是在你沒有大量票歷史時引導的秘密武器。使用 GPT-4 生成關於你產品的真實客戶問題，然後手動撰寫（或編輯）理想的回應。關鍵詞是「手動」。你在策劃回應，而不是自動生成它們。

以下是合成生成的具體工作流程：

1. 給 GPT-4 你的產品描述、功能列表和定價頁面
2. 要求它跨類別生成 50 個真實的支援問題（帳單、錯誤、功能、操作方法、帳戶管理）
3. 對每個問題，自己撰寫理想的回應——或讓 GPT-4 起草一個你然後為準確性和語氣進行編輯的版本
4. 審查每一個配對以確保正確性

來源 5：你的更新日誌和已知問題。 用戶不斷問最近的更改和已知錯誤。為每個更新日誌條目和每個已知問題創建問答對。

構建你的資料集

你的訓練資料需要是 JSONL 格式，每行代表一個訓練範例。對支援機器人，格式如下：

{"input": "I upgraded to the Growth plan but I'm still seeing the free plan limits. It's been 24 hours.", "output": "Thanks for reaching out! Plan upgrades can take up to 10 minutes to propagate, but 24 hours definitely isn't right. Let me check a few things: First, can you try logging out and back in? This forces a session refresh that picks up plan changes. If that doesn't fix it, go to Settings > Billing and confirm the plan shows as 'Growth' there. If it still shows 'Free,' the payment may not have completed — check your email for a receipt from Stripe. Let me know what you see and I'll get this sorted."}
{"input": "How do I export my data as CSV?", "output": "You can export to CSV from the Dashboard page. Click the three-dot menu in the top right corner of any data table, then select 'Export > CSV.' The file will download immediately for tables under 10,000 rows. For larger datasets, you'll get an email with a download link within a few minutes. Note: CSV exports are available on the Growth plan and above. If you're on the Free plan, you can export up to 100 rows at a time."}

你需要多少個範例？ 對於專注的支援機器人，目標是 300 到 500 個高品質範例。這足以涵蓋：

• 50-80 個常見的操作方法問題
• 30-50 個帳單和帳戶問題
• 40-60 個錯誤報告和故障排除流程
• 30-40 個功能請求和變通方案解釋
• 20-30 個入門問題
• 其餘的邊緣案例和雜項

品質比數量更重要。你訓練集中的每個回應都應該恰好是你希望機器人說的。如果你不會把那個回應發送給真實的客戶，就不要包含它。

資料集衛生提示：

• 移除個人身份資訊（姓名、電子郵件、帳戶 ID）
• 標準化你的回應格式（問候風格、結語風格、詳細程度）
• 包含機器人優雅地處理它無法回答的問題的範例（「我建議聯繫我們的團隊 support@yourapp.com 以解決特定帳戶的帳單問題」）
• 添加機器人以同理心處理沮喪或不安用戶的範例

使用 Ertas 微調

這是聽起來很可怕但實際上只需要約 15 分鐘的部分。

第 1 步：上傳你的資料集。 登入 Ertas 並前往 Studio。上傳你的 JSONL 文件。Ertas 將驗證格式並標記任何問題——格式錯誤的 JSON、重複條目、可能沒有足夠信號的極短回應。

第 2 步：選擇你的基礎模型。 對支援機器人，Qwen 2.5 7B 是最佳點。它夠大，足以處理細緻的支援對話，但夠小，能在適度的硬體上運行。如果你在記憶體有限的機器上部署（8GB 或更少），考慮 Qwen 2.5 3B——它仍然會比針對你特定使用案例提示的通用模型表現好得多。

第 3 步：配置訓練。 使用 LoRA 微調（Ertas 中的預設值）。關鍵設定：

• Epochs： 300-500 個範例的支援資料集用 3-5 個
• 學習率： 保持在 Ertas 預設值，除非你有理由改變它
• LoRA rank： 16 對支援機器人是一個穩固的預設值

第 4 步：訓練。 點擊開始。在 Ertas 上用 LoRA 在 500 個範例上訓練 7B 模型通常需要 20-40 分鐘。你將看到損失指標實時更新。你希望看到損失曲線穩步下降並趨於平緩——而不是劇烈波動。

第 5 步：評估。 Ertas 提供評估介面，你可以根據樣本輸入測試你的微調模型。從你實際的支援隊列中嘗試 20-30 個問題，並將回應與你的人工代理所說的進行比較。注意：

• 事實準確性（它的定價正確嗎？）
• 語氣一致性（它聽起來像你的品牌嗎？）
• 邊緣案例處理（它對它沒有訓練過的問題做什麼？）

如果結果不令人滿意，修復幾乎總是更好的訓練資料，而不是更多的訓練資料。返回並改進你的資料集——修復不正確的回應，為薄弱領域添加更多範例，移除嘈雜的條目。

部署你的支援機器人

一旦你對模型滿意，從 Ertas 將其匯出為 GGUF 文件。這是 Ollama 用於本地推論的格式。

第 1 步：在你的伺服器上安裝 Ollama。 如果你在 VPS 上運行你的 Lovable 應用程式（DigitalOcean、Hetzner、Railway），安裝 Ollama：

curl -fsSL https://ollama.com/install.sh | sh

第 2 步：載入你的模型。

ollama create my-support-bot -f Modelfile

你的 Modelfile 指向你匯出的 GGUF：

FROM ./my-support-bot.gguf
PARAMETER temperature 0.3
SYSTEM "You are the support assistant for [YourApp]. Be helpful, accurate, and concise."

第 3 步：測試它。

curl http://localhost:11434/api/generate -d '{
  "model": "my-support-bot",
  "prompt": "How do I upgrade my plan?",
  "stream": false
}'

第 4 步：驗證表現。 針對已部署的模型運行你的評估集，確認品質與你在 Ertas 中看到的一致。量化到 GGUF 偶爾會在邊緣影響品質——如果你注意到退化，嘗試更高的量化級別（Q6_K 或 Q8_0 而不是 Q4_K_M）。

與你的 Lovable 應用程式整合

你的 Lovable 應用程式可能已經有聊天小工具的前端組件。唯一的改變是將其指向你的本地 Ollama 端點而不是 OpenAI API。

選項 A：直接 API 呼叫。 如果你的後端是一個簡單的 API 路由，將 OpenAI SDK 呼叫換成對你的 Ollama 實例的 fetch：

// 之前：OpenAI API
const response = await openai.chat.completions.create({
  model: "gpt-4o",
  messages: [{ role: "user", content: userQuestion }],
});

// 之後：本地 Ollama
const response = await fetch("http://localhost:11434/api/chat", {
  method: "POST",
  body: JSON.stringify({
    model: "my-support-bot",
    messages: [{ role: "user", content: userQuestion }],
    stream: false,
  }),
});

選項 B：OpenAI 兼容端點。 Ollama 在 /v1/chat/completions 暴露了與 OpenAI 兼容的 API。這意味著你可以在現有的 OpenAI SDK 配置中僅更改基礎 URL：

import OpenAI from "openai";

const client = new OpenAI({
  baseURL: "http://localhost:11434/v1",
  apiKey: "not-needed", // Ollama 不需要 key
});

const response = await client.chat.completions.create({
  model: "my-support-bot",
  messages: [{ role: "user", content: userQuestion }],
});

這種方法不需要對現有聊天小工具前端代碼做任何更改。回應格式完全相同。

成本比較：重要的數字

讓我們比較在 12 個月內使用 GPT-4o 和微調本地模型運行 AI 支援機器人的總成本：

盈虧平衡點約為每月 1,000 次對話。低於此點，API 方式更簡單且更便宜。高於此點，節省每月複合。在每月 10,000 次對話時，你每年節省 $3,000 到 $6,600。

隨著你的應用程式增長和對話增加，API 成本線性上升，而本地模型成本保持固定。在每月 50,000 次對話時，API 每月花費 $1,500 到 $3,000。你的本地模型仍然花費 $30。

讓你的機器人保持更新

你的產品在變化。你的支援機器人需要跟上。工作流程是：

1. 每月（或主要產品更改後）收集新的支援對話
2. 添加 20-50 個涵蓋更改的新訓練範例
3. 在 Ertas 上重新訓練（需要 20-40 分鐘）
4. 匯出更新的 GGUF 並在你的伺服器上熱切換

以每月 $14.50 的 Ertas，你可以根據需要頻繁重新訓練。大多數團隊每月進行一次——每月重新訓練一次，使用上個月支援票的新範例。這讓機器人保持最新狀態，無需持續關注。

本週末開始

以下是最小可行計劃：

1. 週六上午： 匯出過去 3 個月的支援票。將它們整理成 200-300 個 JSONL 範例（這是最難的部分——預算 3-4 小時）。
2. 週六下午： 上傳到 Ertas，選擇 Qwen 2.5 7B，使用 LoRA 預設值訓練。訓練期間，啟動一個 $6/月的 Hetzner VPS 並安裝 Ollama。
3. 週日上午： 匯出 GGUF，部署到你的 VPS，用 20 個樣本問題測試。
4. 週日下午： 在你的 Lovable 應用程式中切換 API 端點。部署。完成。

總時間：一個週末。持續月費：$30 用於 VPS。從那時起的每次支援對話，AI 推論費用恰好為零。

你的支援機器人應該比 GPT-4 更了解你的產品。微調讓這成為可能，本地部署讓它免費。

---

延伸閱讀

• Fine-Tune a Model on Your App's Data — 獨立開發者微調的完整初學者指南。
• Your Vibe-Coded App Hit 10K Users. Now Your AI Bill Is $3K/Month. — 理解 AI 費用斷崖及如何避免它。
• Fine-Tune AI Without Writing Code — Ertas 如何讓非 ML 開發者也能微調。