RAG vs 微调
一、知识
RAG：问题 ——> LLM + 外部知识 （拼接）——> 回复
目的：不修改模型参数，为了 增强检索、更准确的回答问题
微调：基础 LLM + 知识 （融合） ——> LLM（更完善的大模型）
目的：训练调整模型参数，提升模型能力
二、特性对比
RAG： 处理事实类查询
模型微调： 处理 复杂分析/评估/预测/推理类任务
| 特性 | RAG | 模型微调 |
|---|---|---|
| 知识更新 | 实时（分钟级） | 需重新训练（天/周级） |
| 可解释性 | 高（提供来源） | 低（黑盒决策） |
| 领域适应性 | 更换知识库即可 | 需重新训练 |
| 处理复杂推理 | 中等 | 优秀 |
| 银行适用场景 | 制度问答、操作指南 | 风险评估、财务预测 |
三、选择RAG还是微调的九个判断依据？
- 实时或动态变化的数据：RAG
- 遵循事实、更低的幻觉：RAG
- 可解释性、可追溯来源：RAG （微调是黑盒）
- 更高数据隐私性：RAG
- 依赖通用能力：RAG
- 低成本、低门槛：RAG
- 模型能力定制：微调
- 智能设备：微调
- 更低延迟：微调