先判断模型缺的是训练，还是证据
用两个不同的比喻比较微调和检索：改变一个人的回答方式，或给他一份正确的参考材料。选择取决于行为、知识新鲜度、成本与可控性。
本页解决的问题
先给结论「先判断模型缺的是训练，还是证据」要解决的关键问题是什么？
用两个不同的比喻比较微调和检索：改变一个人的回答方式，或给他一份正确的参考材料。选择取决于行为、知识新鲜度、成本与可控性。
先问：要改变的是行为，还是知识？ 事实需要保持最新、可追溯时，用检索；某种稳定行为或格式需要变成默认习惯时，再考虑微调。
先把需求分成行为、知识、风格或混合，再选方法。
给变化中的知识库做微调，或用检索解决行为问题。
微调是送 AI 重新上课，把知识练进它身体里；喂资料（也叫知识库、RAG）是让它开卷考试，随用随查。多数公司真正需要的，其实是后者。
同一个目标：让 AI 会回答你公司的问题。左边走「微调」这条路，右边走「喂资料」这条路。点下面的按钮，看两条路各要经历什么。
注意一个关键差别：微调改变的是模型本身，像把知识练成了肌肉记忆；喂资料完全没动模型，只是考试时允许它翻书。所以资料一更新，开卷这边换本书就行，上课那边就得重新读一遍。
道理懂了，落到具体事上怎么选？下面四个是企业里最常见的场景，点一个试试，看推荐方案和理由。
| 🏫 微调（上课） | 📚 知识库（开卷） | |
|---|---|---|
| 生效速度 | 几天到几周 | 当天就能用 |
| 成本量级 | 几万到几十万起步，还要专人伺候 | 低一到两个量级，普通团队就能搭 |
| 知识更新 | 资料变了要重新训练一遍 | 换个文件就行，随换随用 |
| 各自适合 | 改风格、改口吻、学专业「语感」 | 会变的知识：制度、价格、文档问答 |
给你一个省钱的顺序：先试提示词，再挂知识库，最后才考虑微调。很多「必须微调」的需求，认真写一段提示词就解决了；再不够，挂上知识库让它开卷；两样都试过还差口气，那才轮到花大钱送它上课。顺便提醒：饭局上有人说「我们训了个模型」，多数时候他做的只是前两步，这一页帮你听懂他到底干了啥。
「看个演示 · 上课 vs 开卷，并排比一比」为什么能找到相关内容
「微调是 送 AI 重新上课 ，把知识练进它身体里；喂资料（也叫知识库、RAG）是 让它开卷考试 ，随用随查。多数公司真正需要的，其实是 后者」把检索问题从“把资料存起来”推进到“怎样找到真正相关的资料”。这一步决定了 RAG、推荐和以图搜图最后交给模型的输入质量。
相似度不是答案，召回之后还要核对
在「同一个目标：让 AI 会回答你公司的问题。左边走「微调」这条路，右边走「喂资料」这条路。点下面的按钮，看两条路各要经历什么」对应的流程里，Embedding 负责把对象放到可比较的语义空间，近邻索引负责减少搜索范围，最终的回答仍然依赖召回片段是否覆盖问题、距离指标是否合适，以及内容有没有过期。
- 微调 = 上课 ：知识练进模型身体里，周期以周计、花费以万计
- 知识库 = 开卷考试 ：资料放书架随用随查，当天生效，换文件就更新
- 知识常更新就开卷 ，改性格、改风格、学专业语感才需要上课
先区分找得到和找得准
把「给你一个省钱的顺序： 先试提示词，再挂知识库，最后才考虑微调 。很多「必须微调」的需求，认真写一段提示词就解决了；再不够，挂上知识库让它开卷；两样都试过还差口气，那才轮到花大钱送它上课。顺便提醒：饭局上有人说「我们训了个模型」，多数时候他做的只是前两步， 这一页帮你听懂他到底干了啥」落成一次小测试：准备几条有明确答案的查询，记录召回的相关性、遗漏和无关结果，再决定是否需要换切分方式、索引或重排。
从「看个演示 · 上课 vs 开卷，并排比一比」走到「对号入座 · 你的场景该选哪个」
「看个演示 · 上课 vs 开卷，并排比一比」先把问题落在「同一个目标：让 AI 会回答你公司的问题。左边走「微调」这条路，右边走「喂资料」这条路。点下面的按钮，看两条路各要经历什么」上；到了「对号入座 · 你的场景该选哪个」，讨论继续推进到「道理懂了，落到具体事上怎么选？下面四个是企业里最常见的场景， 点一个试试 ，看推荐方案和理由」。两段连起来，重点就不只是记住一个结论，而是看清它成立所依赖的条件。
把这条判断带到下一个场景
检索系统也可以这样看：先确定什么算相关，再观察召回是否覆盖问题，最后检查排序、切分和时效性有没有把真正有用的内容挤出去。
- 「看个演示 · 上课 vs 开卷，并排比一比」：同一个目标：让 AI 会回答你公司的问题。左边走「微调」这条路，右边走「喂资料」这条路。点下面的按钮，看两条路各要经历什么
- 「对号入座 · 你的场景该选哪个」：道理懂了，落到具体事上怎么选？下面四个是企业里最常见的场景， 点一个试试 ，看推荐方案和理由
- 「最后的要点」：省钱顺序 ：先试提示词，再挂知识库，都不够再考虑微调
最后的「最后的要点」把讨论落到「省钱顺序 ：先试提示词，再挂知识库，都不够再考虑微调」。回看这条线索时，最值得保留的是：当输入、规模或风险改变，哪些判断需要重新做一遍。
✅ 这一页想和你分享的
- 微调 = 上课：知识练进模型身体里，周期以周计、花费以万计
- 知识库 = 开卷考试：资料放书架随用随查，当天生效，换文件就更新
- 知识常更新就开卷，改性格、改风格、学专业语感才需要上课
- 省钱顺序：先试提示词，再挂知识库，都不够再考虑微调
互动练习
把模糊需求拼成一条可执行的提示词
把目标、背景和限制说清楚，再把整理好的提示词带到你正在使用的 AI 工具里。
我现在先问知识变化频率：每天都变的内容优先考虑 RAG，需要稳定改变表达方式或行为时才看微调。这个判断比“数据多不多”更好用。
只有几百条高质量示例时，微调是否可能只是把训练集背得更像？除了留出测试集，还有什么简单方法能判断它真的学到了行为？
可以补一个三列对照实验：同一问题分别用基座模型、RAG、微调模型回答，再记录知识更新、格式稳定性和维护成本，读者会更容易做取舍。
还没有这篇文章的讨论。