RLHF 技术原理这两年AI大模型跟开了挂似的，从GPT-4到Claude，参数堆得比天上的星星还多，可对产品经理来说，光知道模型多能“唠嗑”没啥用，关键是咋把这些“万能大脑”变成咱手里的趁手工具。

大模型的后训练阶段，很多人都纠结一个问题：到底是用 监督微调（SFT），还是 强化学习（RL）？SFT 简单高效，但能力上限不高；RL 能力强，但训练又慢又不稳。