RAG与微调在领域适配中的对比：何时使用哪种方法
内容提要
RAG通过检索外部知识增强模型输入，不改变权重，适合信息量大或频繁变化的场景，且答案可溯源。微调则训练模型权重，用LoRA等低成本方法让模型稳定掌握特定风格、格式或术语，但不擅长注入事实知识。约六成生产系统两者并用：RAG管“知道什么”，微调管“如何表现”。建议先上RAG，再针对持续行为问题微调。
延伸解读
机制差异决定适用边界
RAG不改变模型权重，只改变模型在推理时看到的上下文，因此擅长处理信息量大或频繁变化的知识，且答案可溯源。微调则训练模型权重，用LoRA等方法让模型稳定掌握特定风格、格式或术语，但不擅长注入事实知识。理解这一根本差异，是避免选错技术路线的第一步。
微调不是知识注入工具
文章强调，微调不会可靠地增加事实知识。即使模型在大量医学文献上微调，它也不会像检索系统那样真正“知道”这些事实，尤其是细粒度事实。微调调整的是风格、结构和模式识别，是行为工具而非知识工具。若需要模型掌握具体事实，应优先考虑RAG。
生产系统常两者并用
约六成生产LLM部署同时使用RAG和微调，因为两者解决不同问题：RAG管“知道什么”，微调管“如何表现”。建议先上RAG，因为它通常是更快得到可用版本的路径；仅当存在持续的行为问题，且提示工程和检索优化都无法解决时，再考虑微调。
决策框架的六个关键问题
文章给出六点决策框架：信息是否频繁变化或过大？是否需要答案可溯源？是否缺乏标注数据或需快速上线？是否需要稳定遵循语气、结构或术语？延迟预算是否紧张？查询量是否高到小模型微调更划算？前三点倾向RAG，后三点倾向微调。
Q&A
RAG和微调在机制上有什么根本区别？
RAG不改变模型权重，只在推理时通过检索外部知识库，把相关文档和用户问题一起交给模型，让模型基于这些资料回答。微调则直接训练模型权重，用输入输出示例让模型把某种行为模式内化，推理时无需额外注入信息。
微调能可靠地给模型注入新的事实知识吗？
不能。微调主要调整模型的风格、结构和模式识别能力，对事实性知识的记忆并不可靠，尤其是细粒度事实。如果目标是让模型掌握大量或频繁变化的事实，应该用RAG而不是微调。
什么情况下应该优先选择RAG而不是微调？
当信息量大、变化频繁、需要答案可溯源，或者还没有标注训练数据、需要快速上线时，应优先用RAG。RAG几乎总是更快得到可用第一版的路径。
什么情况下应该选择微调而不是RAG？
当模型需要稳定遵循特定语气、结构或术语，而提示词在高并发下无法保持一致性时；当延迟预算紧张，无法承受每次检索的额外开销时；或者当查询量足够大，用更小的微调开源模型比调用前沿API更省钱时，应选择微调。
生产系统中RAG和微调通常是怎么配合使用的？
约60%的生产LLM部署同时使用两者。RAG负责“知道什么”，即提供事实和最新信息；微调负责“如何表现”，即控制风格、格式和术语。两者解决不同问题，很多领域适配项目同时存在这两类需求。
LoRA微调为什么成本低、速度快？
LoRA只训练一个小的适配器，通常不到基础模型总参数的1%，基础模型权重保持冻结。这样一次微调只需几百美元和几小时，而不是全量重训练项目。
在领域适配项目中，推荐的实施顺序是什么？
建议先上RAG，因为它几乎总是更快得到可用结果。只有当出现具体、持续的行为问题，且更好的提示词和更好的检索都无法解决时，再针对该问题添加微调。
