先講結論

我花了幾個月的時間，在一台單機的 DGX Spark（GB10，128GB 統一記憶體）上，從零微調一個資安領域的語言模型，並且把它接到四個真實的 MSSP 工作流程裡。這 30 天，我會把整個過程——包含做對的、做錯的、以及最後承認「這件事本來就不該用微調解」的部分——完整寫一遍。

第一天要先回答一個必須先回答的問題：通用模型已經這麼強了，為什麼還要做資安垂直模型？

如果這題答不好，後面 29 天的工程都是在解一個不存在的問題。

一個常見的錯誤答案

最常聽到的答案是：「因為通用模型的資安知識不夠。」

這個答案我認為是錯的，至少在 2026 年是錯的。你現在拿任何一個前沿模型去問 CVE-2021-44228 是什麼、SQL Injection 怎麼防、ISO 27001 的 Annex A 有哪些控制項，它答得比大多數初級分析師好。純知識性的落差已經被填得差不多了。

如果知識落差是主要問題，那答案應該是 RAG，不是微調。這點我在 Day 6 和 Day 14 會再回來狠狠打自己一次。

真正的落差在別的地方。

通用模型答不好的三種題型

第一種：格式服從性

資安工作的產出物有極強的格式慣性。一份事件報告要有固定的段落順序、固定的欄位、固定的嚴重性分級語彙；一份月報要跟前六個月的月報長得一樣，因為客戶的窗口是用「跟上個月比」的方式在讀它。

你可以用 prompt 把格式寫進去。但當格式規則累積到三十條、而且其中有五條是「這個客戶特別要求」的例外時，通用模型的服從性會開始崩壞——它會漏掉第 17 條，會自作主張多加一個「建議事項」段落，會把嚴重性從「高」寫成「重大」。

這不是知識問題，是行為問題。而行為，是微調擅長的東西。

第二種：領域內的判斷收斂

問通用模型「這個告警要不要升級？」，它會給你一段四平八穩的分析，列出三個要考慮的面向，然後說「建議由分析師依實際情況判斷」。

正確，但沒用。

一個成熟的資安團隊對「什麼情況要升級」是有共識的，而這個共識大多沒有寫成文件，它藏在過去三年的事件報告、每一次的處理紀錄、每一封回覆客戶的信裡面。通用模型沒看過這些，所以它只能給你一個安全的、不承諾的答案。

垂直模型要學的不是「什麼是橫向移動」，是「在我們這個團隊，看到這種行為時我們會怎麼判」。

第三種：拒答與過度謹慎

這一種最痛。

資安工作有大量內容在通用模型的安全邊界附近：攻擊手法的細節、惡意程式的行為分析、滲透測試的步驟、紅隊的規劃。通用模型會拒答，或者答一半然後加上一大段免責聲明。

在新人訓練這個場景特別明顯——你要模型出一題關於某個攻擊技術的考題並解釋答案，它可能會覺得你在問怎麼攻擊。

微調可以調整這個邊界。但我要先講清楚：調整邊界不等於拆掉邊界。 這件事的正確做法是讓模型在明確的、可稽核的、有人審閘道的工作流程裡放寬，而不是訓練一個什麼都答的模型放到外面。這條線我在 Day 25 到 Day 28 會用四篇的篇幅講，因為它比訓練本身重要。

所以微調到底該解什麼

把上面三種歸納起來，我在第一天就該想清楚（但實際上我是做到第 12 天才想清楚的）：

這張表是我這 30 天最貴的產出。它看起來很像廢話，但你會發現大部分「AI 資安專案失敗」的故事，都是把左邊某一行配到右邊錯誤的格子裡。

這 30 天會怎麼走

• Day 1–7 定位與資料：場景怎麼定、模型怎麼選、資料怎麼分流、評測基線怎麼建。
• Day 8–14 訓練實作：CPT、SFT、推理蒸餾三階段的實作，以及一次誠實的失敗檢討。
• Day 15–23 Agent 落地：模型只是零件，四個真正的工作流程要怎麼組起來。
• Day 24–30 測試與治理：AI 系統要怎麼測、人審閘道要怎麼設計、以及「模型可換，治理不變」的收斂。

所有跟客戶相關的資料，我一律用合成資料重建，內容結構真實、數值與識別資訊全部是假的。哪幾天是合成資料我會標出來。

明天開始講場景：一個 MSSP 的四個痛點，以及為什麼我選了這四個。

🛡️ 這個系列的實作過程、踩坑筆記與延伸內容，我會同步更新在 Instagram： @aid3fend — AI 資安實戰紀錄，歡迎追蹤交流。