# RAG 与微调如何选择：知识变化和行为学习分别考虑

围绕资料更新、来源引用与行为要求，讨论 RAG 和模型微调的任务分工。

要点：需要查询不断变化的企业资料并保留来源时，通常先考虑检索增强；需要稳定学习某类表达或任务行为时，再评估微调是否有必要。两者可以组合，但都不能替代数据质量与任务评价。选择应从问题机制出发。

![对照不同文档与问答处理界面（AI概念配图）](/images/immersive/knowledge-review-v3.png)

## 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。

| 需求重点 | 优先核对的方案方向 |

| --- | --- |

| 资料常变且需要引用 | 外部资料管理与检索增强 |

| 格式与规则尚不清楚 | 提示、结构约束和程序校验 |

| 稳定任务行为难以获得 | 在评价基础上评估微调 |

| 既要资料又要特定行为 | 分别验证后再组合 |

## 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。

## 参考来源

- [Dify｜Knowledge Pipeline](https://www.dify.ai/rag)：资料处理、检索与来源引用的产品说明

- [Anthropic｜Prompt engineering overview](https://platform.claude.com/docs/en/build-with-claude/prompt-engineering/overview)：明确成功标准后改进提示

- [Google Cloud｜监督微调说明](https://docs.cloud.google.com/gemini-enterprise-agent-platform/models/tuning/supervised-tuning)：训练样例与任务行为调整；具体支持条件以当前文档为准

## 先辨认问题发生在哪一层

- 事实依据：资料、检索与引用

- 行为要求：提示、约束与样例

- 训练选择：在评价基础上决定

![先辨认问题发生在哪一层](/images/guides/diagrams/rag-vs-finetuning.svg)

## 继续阅读

- [企业知识库怎么搭？从资料整理到有来源的回答](/guides/enterprise-knowledge-base)

- [企业选大模型：用自己的任务比较，比看榜单更有效](/guides/model-selection)

- [知识库回答质量怎么测？不要只看语气是否肯定](/guides/knowledge-evaluation)

继续了解方法与适用条件，具体工具可用性、费用和授权以当前供应商说明及实测为准。

下一步：[查看相关学习资料](/resources)

原文：/guides/rag-vs-finetuning

内容版本：guide:rag-vs-finetuning:v1

<!-- version:guide:rag-vs-finetuning:v1 -->

[结合企业情况咨询](/intake?source=%2Fguides%2Frag-vs-finetuning&articleId=guide%3Arag-vs-finetuning&versionId=guide%3Arag-vs-finetuning%3Av1)