TL;DR想让 AI 懂你的业务数据有两条路RAG检索增强生成和 Fine-tuning微调。很多人盲目微调结果又贵又难维护。本文用决策表 实战代码告诉你什么场景选哪个以及什么时候两者要结合。1. 核心区别一句话 RAG检索增强不改模型给模型喂外挂知识问问题时先从知识库检索相关内容拼进 Prompt 一起发给模型类比开卷考试带参考书进考场 Fine-tuning微调改模型权重把知识背进模型用业务数据重新训练模型让它学会特定风格/领域类比把知识背进脑子闭卷考试2. 对比维度维度RAGFine-tuning数据更新✅ 实时改文档即可❌ 需重新训练知识准确性✅ 有引用来源⚠️ 可能编造成本低仅推理费用高训练 GPU数据量要求无文档即可数百~数千条样本上线速度快小时级慢天~周风格定制❌ 难改文风✅ 可学文风维护难度低高模型版本管理3. 什么时候用 RAG3.1 典型场景知识库问答内部文档、产品手册、FAQ实时数据股价、新闻、库存数据经常变需要引用来源法律、医疗、金融准确性要求高快速验证先做 MVP验证需求3.2 代码示例Python - RAG 实现from langchain_openai import ChatOpenAI, OpenAIEmbeddings from langchain_community.vectorstores import Chroma from langchain_core.prompts import ChatPromptTemplate # 1. 检索RAG 核心 embeddings OpenAIEmbeddings(modeltext-embedding-3-small) vectorstore Chroma(persist_directory./db, embedding_functionembeddings) retriever vectorstore.as_retriever(search_kwargs{k: 5}) docs retriever.invoke(公司年假政策是什么) context \n\n.for d in docs]) # 2. 生成拼入上下文 prompt ChatPromptTemplate.from_template(基于以下文档回答问题 文档 {context} 问题{question} 如果文档中没有答案说知识库中未找到相关信息。) llm ChatOpenAI(modelgpt-4o) chain prompt | llm answer chain.invoke({context: context, question: 公司年假政策是什么}) print(answer.content)4. 什么时候用 Fine-tuning4.1 典型场景风格统一客服语气、品牌语调结构化输出固定 JSON 格式、特定字段特定任务优化分类、抽取、命名实体识别降低 Prompt 成本把复杂指令烧进模型4.2 代码示例Python - 用 OpenAI 微调from openai import OpenAI import json client OpenAI() # 1. 准备训练数据JSONL 格式 training_data [ {messages: [ {role: system, content: 你是客服助手用友好简洁的语气回答}, {role: user, content: 我的订单还没到}, {role: assistant, content: 很抱歉给您带来不便 请告诉我订单号我马上帮您查} ]}, # ... 数百条类似样本 ] with open(train.jsonl, w) as f: for item in training_data: f.write(json.dumps(item, ensure_asciiFalse) \n) # 2. 上传文件 file client.files.create(fileopen(train.jsonl, rb), purposefine-tune) # 3. 创建微调任务 job client.fine_tuning.jobs.create( training_filefile.id, modelgpt-4o-mini ) print(f微调任务已创建{job.id}) # 4. 使用微调后的模型 response client.chat.completions.create( modeljob.fine_tuned_model, # 微调后的模型 ID messages[{role: user, content: 我要退货}] )5. 决策表你的需求选 RAG选 Fine-tuning数据每天更新✅❌答案要可溯源✅❌需要统一文风❌✅固定格式输出⚠️ 可勉强✅预算有限✅❌快速上线✅❌专业领域术语✅✅ 结合更好6. 组合使用RAG Fine-tuning最优方案往往是组合RAG 负责知识动态文档、实时数据Fine-tuning 负责能力输出格式、对话风格、任务理解组合架构用户问题 ↓ [RAG 检索] → 相关文档片段 ↓ [微调模型] → 把文档问题 → 生成风格统一的答案 ↓ 输出格式固定 知识准确 语气友好实战案例某电商客服系统RAG检索商品信息、订单状态、退换货政策实时数据Fine-tuning统一客服语气友好、简洁、带 emoji效果回答准确率 92% → 97%用户满意度提升 30%7. 成本对比方案一次性成本每月持续成本10万次调用纯 RAG开发 2-3 天~$50推理纯 Fine-tuning训练 $100-500~$200推理更贵RAG FT开发 1 周 训练 $300~$1508. 常见误区误区 1微调能让模型记住更多知识错。微调学的是「模式」不是「事实」。把公司手册微调进模型它还是会忘细节、会编造。知识类需求用 RAG。误区 2RAG 能解决所有问题错。RAG 改不了文风、做不了复杂结构化抽取。风格类需求用 Fine-tuning。误区 3先微调再考虑 RAG反过来。先上 RAG 验证需求快、便宜如果 RAG 满足不了如文风问题再加微调。9. 总结决策口诀「知识用 RAG能力用 FT实时用 RAG风格用 FT预算紧用 RAG要精准两者配。」如果你...选数据经常变、要引用来源RAG要统一文风、固定输出格式Fine-tuning既要知识又要风格RAG Fine-tuning不确定、想快点验证先 RAG如果对你有帮助欢迎在评论区聊聊你的 RAG/FT 实践经验。