RAG 为何比 SFT 更优?
知识更新、事实准确性、推理能力三方面对比
原题：为何要引入检索增强生成（RAG）方法？在哪些具体场景下，RAG相比仅使用监督微调（SFT）的大模型具有更优的表现？请结合知识更新、事实准确性和推理能力进行说明。
模型微调 · 美团真题
回答与解析
为何引入RAG
核心动机：弥补纯参数化知识的三大缺陷
| 问题 | 说明 |
|---|---|
| 知识截止 | 模型权重冻结后无法感知新信息 |
| 幻觉风险 | 参数记忆模糊时"自信编造" |
| 训练成本 | SFT更新知识需重训，代价高昂 |
RAG将知识外置到可动态更新的检索库，实现非参数化知识扩展。
RAG vs SFT：三维度对比
1. 知识更新
- SFT：需重新训练/LoRA微调，周期长，难以追平实时信息
- RAG：更新文档库即可，分钟级生效，适合新闻、股价、政策等动态场景
2. 事实准确性
- SFT：依赖训练数据覆盖，长尾事实易遗漏或混淆
- RAG：检索结果作为上下文约束生成，可溯源验证，降低幻觉
3. 推理能力
- SFT：复杂推理需内化到参数，需大量高质量标注数据
- RAG：检索提供中间证据（如多跳推理的桥梁文档），降低推理难度
RAG更优的具体场景
- 实时信息查询：天气、股价、赛事结果
- 专业/垂直领域：医疗指南、法律条文、企业内部知识（数据隐私+快速迭代）
- 长尾事实问答：冷门实体、最新产品规格
- 需可溯源的场景：客服回复、金融咨询（必须给出参考来源）
关键认知
RAG不是SFT的替代，而是互补：SFT负责语言能力和基础推理，RAG负责动态知识注入。复杂推理任务仍需SFT强化，纯RAG对检索质量极度敏感，需配套重排序、查询改写等优化。
学习建议
掌握排序模型基本架构，学习权重初始化常用方法，结合实际业务理解A/B测试与线上反馈机制。
口语版讲法(约4分钟)
- 本质是参数化知识局限性
- 边界划分：RAG适合动态、长尾、需溯源场景
- 具体场景举例：客服退款政策
- 落地风险：检索质量是关键
- 延伸可延伸点：Self-RAG
这道题其实问的是大模型落地时的一个核心矛盾：到底该把知识塞进模型参数里，还是挂在外面随时查。本质上，纯参数化的大模型有三个硬伤：知识有截止日期，容易自信地胡说八道，而且更新一次成本太高。所以引入RAG，就是把知识外挂到可动态更新的检索库，让模型在生成时实时查资料，说白了就是给模型配了个实时更新的外脑。
但落地的时候，边界很重要。RAG和SFT不是谁替代谁，而是各有各的适用场景。SFT负责训练语言能力和基础推理，比如让模型学会怎么组织句子、怎么多步推理，这些是RAG给不了的。而RAG负责动态知识注入，比如新闻、股价、政策这类实时变化的信息。真正上线的时候，通常都是两者一起上，模型先靠SFT打好底子，遇到需要最新知识的提问，才去触发检索。
我举个例子，比如电商客服场景。用户问‘我昨天买的商品降价了，能退差价吗？’这个问题的答案涉及两个东西：一是退款政策的文本，二是当前促销活动的具体规则。政策文本可能一个月才改一次，但促销规则每周都在变。如果只靠SFT，模型需要重新训练才能知道本周的满减规则，周期长还容易出错。用RAG的话，我只需要把最新的促销文档扔进知识库，模型就能实时检索到‘满200减30’这种信息，再结合它通过SFT学会的退款逻辑，给出准确回答。而且客服场景要求可溯源，RAG能直接引用政策原文，用户和客服都能验证，这点SFT做不到。
不过RAG不是上了就万事大吉，有几个前提必须注意。首先是检索质量，如果召回的内容是错的，那模型再聪明也没用。常见失败场景是，用户问‘订单号12345为什么显示异常’，结果检索出来一堆不相关的日志，模型就可能乱说。所以上线时我会特别关注Rerank和查询改写，比如把‘订单异常’改写成‘订单状态:异常’，提高召回准确率。另外，RAG对长尾事实特别有效，比如问‘某款手机在2024年3月的最新固件版本是多少’，这种冷门信息SFT几乎不可能覆盖，但RAG只要文档库里有就行。
还有一个有意思的延伸，就是怎么让模型自己判断什么时候该查、什么时候不该查。比如简单问候语就没必要走检索，否则浪费算力。现在有Self-RAG这类方案，让模型生成时动态决定是否触发检索，甚至能自我反思检索结果是否可靠。这个方向我觉得是RAG下一步的关键。
所以整体上，我更倾向于把RAG看作一个插件，而不是银弹。它解决的是知识更新和事实准确性这两个痛点，但推理能力还得靠SFT打底。落地的时候，我会先评估业务场景对实时性和可溯源的要求有多高，再决定RAG和SFT的比例。
关键一句:Self-RAG让模型动态决定是否检索，并能自我反思结果可靠性
面试官还可能这样问
- 问法 1 · 场景切入
我看你做过电商客服项目，假设用户问“这个商品现在还有货吗”，如果模型刚训完一周，突然缺货了，模型还按旧知识回答，这不就出事了？你怎么解决这种实时性要求高的场景？
- 问法 2 · 层层追问
大模型的知识更新你一般怎么处理……如果只靠SFT更新权重，遇到冷门实体或者最新政策，模型容易胡编乱造吧？……那有没有办法不重训模型，又能保证事实准确还能随时更新？
- 问法 3 · 直球架构
直接聊RAG和SFT的对比。为什么需要引入RAG？在知识更新、事实准确性、推理能力这三个维度上，什么场景下RAG明显优于纯SFT模型？