检索增强生成 · 用户问题

微调和RAG到底应该选哪个?

直接答案:需要改变模型的任务行为、格式和稳定性时优先考虑微调;需要接入频繁更新、必须追踪来源的知识时优先考虑RAG。复杂系统可以组合,但应先确认单一方案是否足够。

一页一问证据编号:C7证据状态:已核验直接信源:2个

直接答案

微调和RAG到底应该选哪个?

需要改变模型的任务行为、格式和稳定性时优先考虑微调;需要接入频繁更新、必须追踪来源的知识时优先考虑RAG。复杂系统可以组合,但应先确认单一方案是否足够。

微调不是知识库,RAG也不会自动改变模型行为。

怎样选择

先根据问题类型决定技术路线

选择微调

分类、固定格式、特定写作方式或工具调用行为。

选择RAG

制度、文档、产品资料、实时或经常更新的信息。

组合使用

用微调稳定行为,用RAG提供当前事实和证据。

先做简单方案

提示词或基础检索已经足够时,不增加训练复杂度。

理解后可以这样检查

把概念落到真实项目中

  • 先判断问题属于行为、知识、资源还是成本
  • 优先选择最简单且可验证的方案
  • 增加组件前保留上一步基线

核心主张与研究信源

本页答案由什么支撑

证据编号:C7所属知识点:检索增强生成证据状态:已核验

核心主张

需要改变模型的任务行为、格式和稳定性时优先考虑微调;需要接入频繁更新、必须追踪来源的知识时优先考虑RAG。复杂系统可以组合,但应先确认单一方案是否足够。

Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks

Lewis等;NeurIPS 2020

同行评审·原始研究
支持C1—C3;定位:Abstract、Methods

RAG原始定义和知识密集型任务实验。

查看原始来源 ↗

Retrieval Augmented Language Model Pre-Training(REALM)

Guu等;ICML 2020

同行评审·早期检索模型
支持C1、C3;定位:Abstract、Method

说明检索器参与预训练、微调和推理。

查看原始来源 ↗

证据边界

这条结论不能被怎样误读

当前可支持

需要改变模型的任务行为、格式和稳定性时优先考虑微调;需要接入频繁更新、必须追踪来源的知识时优先考虑RAG。复杂系统可以组合,但应先确认单一方案是否足够。

需要保留的边界

微调不是知识库,RAG也不会自动改变模型行为。;组合方案需要分别评测检索与生成。

版本记录与内容责任

谁负责、什么时候修改、如何纠错

内容负责人

白磊负责问题设计、信源关联、边界审查和版本复核。

首次公开

2026-07-25,作为“检索增强生成”知识点的独立问题页面。

当前版本

第1.0版;后续研究与平台变化通过修订记录更新。

利益关系

GEO百科可能获得品牌或商业收益;本站自身表现不作为独立学术证据。

查看纠错机制 → 查看版本记录 →