项目里想让大模型掌握公司的业务知识，你会选择 RAG 还是微调？请从知识时效性、成本、幻觉三个角度说说你的判断依据。
RAG基础
答案要点 微调是“改模型本身”：用领域数据继续训练模型，把知识和行为方式写进参数里 RAG 是“外挂资料库”：模型不动，回答前先检索资料喂给它 知识时效性：知识经常变 → 选 RAG，改知识库即时生效；微调的知识固化在参数里，更新就得重训 成本：RAG 主要是工程成本；微调需要标注数据 + GPU 训练，且每次知识更新都要再花一遍 幻觉：RAG 答案有原文可溯源，更可控；微调过的知识模型照样可能记岔、编造 核心概念 RAG 与微调（Fine-tuning）是给大模型补充领域能力的两条路线：RAG 在回答时从外部知识库检索资料喂给模型，模型参数不变；微调则是用领域数据继续训练模型，把知识和说话方式直接写进模型参数。前者像给员工发一本随时更新的操作手册，后者像送员工去脱产培训。 三个角度对比 | 角度 | RAG | 微调 | |---|---|---| | 知识时效性 | 改知识库立即生效，适合频繁更新的知识（价格、政策、文档） | 知识固化在参数里，更新一次就要重新训练一次 | | 成本 | 无需训练，主要是建知识库和调检索的工程成本 | 需要准备标注数据 + GPU 算力，门槛和单次成本都高 | | 幻觉 | 答案有检索原文支撑，可标注出处、可核对 | 学过的知识仍可能记岔编造，且很难定位错误来源 | 一个简单的判断口诀 要补的是知识（事实、文档、制度、产品信息）→ 优先 RAG 要教的是能力和风格（固定输出格式、行业话术、特定任务套路）→ 考虑微调 实际项目里两者并不对立，常见打法是组合拳：RAG 管知识来源，微调管表达方式和任务能力 对入门者的建议是：九成的“让模型懂业务”需求，先用 RAG 验证效果，不够再考虑微调。入门之后，可以深入了解 LoRA 等低成本微调方法，以及 RAG 与微调结合落地的真实案例。
口语版讲法(约2分钟)
- 一句话定位：RAG 是外挂资料库，微调是改模型本身
- 知识时效性：知识常变选 RAG，改库即生效
- 成本：RAG 是工程活，微调要数据加 GPU
- 幻觉：RAG 可溯源更可控
- 埋钉子：实际项目常两者组合，RAG 管知识、微调管表达
这两条路线我会先用一句话分清楚：RAG 是给模型外挂一个随时可查的资料库，模型本身一点不动；微调是拿领域数据继续训练模型，把知识直接写进参数里。打个比方，RAG 像给员工发一本随时更新的操作手册，微调像送员工去脱产培训。 具体怎么选，我会从三个角度判断。第一是知识时效性。公司的业务知识大多是经常变的，比如产品价格、规章制度、文档版本。用 RAG 的话，知识更新就是改一下知识库，立刻生效；用微调的话，知识是固化在模型参数里的，每更新一批知识就要重新训练一次，根本跟不上变化的节奏。第二是成本。RAG 不需要训练，主要成本是建知识库、调检索这些工程活，中小团队完全做得起；微调则需要准备高质量的标注数据，还要 GPU 算力，门槛和单次开销都高不少。第三是幻觉。RAG 的答案有检索到的原文撑着，可以标出处，用户能核对，出了错也容易定位；而微调过的知识，模型照样可能记岔了张冠李戴，而且你很难查清它到底是从哪儿学错的。 所以我的判断口诀是：要补的是知识本身，比如事实、文档、制度，优先 RAG；要教的是能力和风格，比如固定的输出格式、行业话术，才考虑微调。 [钉子] 不过在实际项目里，这两个方案并不是二选一的关系，成熟的做法往往是组合拳：用 RAG 保证知识的准确和新鲜，用微调让模型更懂业务语气和任务套路。像 LoRA 这类低成本微调方法出来之后，组合方案的门槛也降低了很多，这块我也可以展开讲讲。
关键一句:补知识优先 RAG，教能力和风格才用微调，两者常组合使用而不是二选一。
面试官可能的追问
- 【场景切入】假设你在做一个电商客服机器人，退换货政策每个月都可能调整，同时又要求回复口吻符合品牌风格。这种情况下 RAG 和微调你怎么安排？
- 【追问边界】你说知识类需求优先 RAG，那有没有 RAG 搞不定、必须上微调的情况？反过来，微调做完了是不是就可以不要 RAG 了？