RAG 与微调如何选择：知识变化和行为学习分别考虑

先确定缺少的是依据，还是稳定的行为

如果模型不知道最新产品参数，问题首先在于能否取得有效资料。把资料通过检索交给模型，有助于保留来源和更新路径。如果模型已经得到合适信息，却持续不按要求输出，则应检查提示、样例、结构约束与评价，再判断是否需要训练层面的调整。

不要因为一个答案不理想，就把方案升级为微调。资料缺失、检索遗漏、任务定义模糊和格式不稳定，可能需要不同处理。能够定位问题所在，比提前选择技术路线更重要。

频繁变化的事实需要可维护的外部来源

产品状态、制度版本和客户条件可能不断变化。若希望回答能够回到原文，外部资料与检索链提供了更直接的维护入口。更新时仍需检查文档、索引和实际答案，不能把上传成功等同于内容已经正确使用。

微调可以影响模型行为，但不宜被当作带精确版本控制的文档数据库。企业若需要确认某个结论来自哪份资料，仍应保留外部证据。两种方式的维护对象不同，后续责任和成本也随之不同。

微调要求企业能够定义合格样例

训练样例应反映希望稳定获得的行为，并保持输入、输出与业务规则一致。错误样例、相互冲突的标注或已经失效的规则，都可能给后续评价带来困难。准备样例本身就是一项业务判断工作。

比较前后变化时，保留未参与训练的测试样例，检查目标行为改善的同时，原有能力是否退步。样本有限时，应说明结果范围，不把一次实验写成对所有企业任务的普遍结论。

先采用能够解释和维护的最小组合

可以从清楚提示、有效资料与一组测试问题开始。明确失败类型后，再增加检索调整、工具连接或训练方案。每增加一项能力，都应能解释它解决了什么问题，以及未来谁负责维护。

企业不需要在两个技术名称之间表达立场。更有意义的选择，是使事实更新、行为要求与评价方法保持对应，让系统的复杂度跟随实际需要增长。

先写出想改变的是事实还是行为

如果缺的是最新规格，先补可检索来源；如果格式或分类长期不稳，先明确样例和评价，再考虑微调。使用独立测试集比较，供应商支持的模型、地区与条件在实施时另行核对。