Day5：微调 vs RAG 场景区分（面试高频）
一、先明确两个核心概念
1. 微调（Fine-tuning）
就是我们前面学的 SFT / LoRA，核心逻辑是：
- 用标注数据训练模型参数，把知识 / 风格 "刻进模型里"
- 训练后模型自带该能力，不用每次额外输入
2. RAG（Retrieval-Augmented Generation，检索增强生成）
核心逻辑是：
- 不改动模型本身，额外加一个 "知识库检索" 环节
- 提问时先从外部知识库检索相关内容，再把检索结果 + 问题一起喂给模型，让模型基于检索到的信息回答
二、核心区别对比（面试必背表格）
表格
| 对比维度 | 微调（Fine-tuning） | RAG（检索增强生成） |
|---|---|---|
| 核心逻辑 | 训练模型参数，让模型 "学会" | 不改动模型，给模型 "查资料" |
| 数据依赖 | 需要高质量标注数据 | 只需要结构化 / 非结构化知识库，无需标注 |
| 硬件成本 | 高，需要显卡算力 | 低，普通服务器就能跑 |
| 更新成本 | 高，数据 / 业务变更后要重新训练 | 低，直接更新知识库即可 |
| 知识准确性 | 依赖训练数据，过时知识会误导 | 依赖检索结果，信息可实时更新 |
| 长上下文支持 | 受模型上下文窗口限制 | 可通过分块 + 检索突破窗口限制 |
| 典型场景 | 固定话术、风格对齐、轻量领域知识 | 实时信息查询、大知识库问答、需要溯源 |
三、通俗场景类比（超好懂）
- 微调：就像给学生上课，把知识点教进他脑子里，之后他遇到相关问题就能直接答。
- RAG：就像开卷考试，学生本身不变，做题时给他一本参考资料，他照着资料回答。
四、面试高频场景题：该选微调还是 RAG？
✅ 优先选 微调 的场景
- 对话风格、语气、固定话术统一（比如客服固定回复模板）
- 轻量、稳定的领域知识（如固定产品参数、企业内部流程）
- 数据量不大、长期稳定不变的业务
- 需要模型 "天生自带" 某种能力，不想每次都检索
✅ 优先选 RAG 的场景
- 知识需要频繁更新（如实时新闻、政策、最新数据）
- 知识库体量很大（如企业百万级文档、行业百科）
- 需要回答可溯源（用户要求看到引用的原文出处）
- 数据质量参差不齐，无法做高质量标注
五、组合使用（工业界主流方案）
实际项目中，两者常结合使用：
- 用微调统一模型的输出风格、格式、话术
- 用RAG补充最新、最详细的业务知识
- 最终实现：风格统一 + 内容准确 + 信息可溯源