微调和检索增强有什么不同？企业该选哪条路

两者的差别，可以理解成「改脑子」和「给资料」。

微调是拿你的数据继续训练，改变模型的表达习惯和答题方式。适合的事：让输出固定成某种格式、学习行业术语的用法、统一语气。不适合的事：让它记住你公司昨天更新的价格表，因为知识更新之后要重新训。

检索增强是在回答问题前，先从你的资料库里查出相关内容，一起交给模型。适合的事：回答依赖具体文档——制度、手册、产品参数、历史案例。更新资料只要换文件，不用重训。

多数企业的需求是「回答准确」，不是「说话像我们」，所以检索增强通常更合适，成本也低得多。

真正需要微调的，往往是格式要求极严、或者有大量同类样本的场景。两条路也可以一起用。

先说一个前提：这两条路都解决不了根本问题。

如果资料本身就是乱的——文档版本不统一、同一件事有三份说法、关键信息散在不同系统里——那么不管微调还是检索，出来的答案都不可靠。先整理资料，比先选技术路线重要。

选路线的判断标准其实很简单：你的知识多久变一次。

制度、政策、价格这些经常变的，用检索。每次更新换文件即可，成本低。

而「怎么说」这类风格问题，变一次就定下来很久，才适合微调。

还有一个现实约束：微调需要成规模的标注数据，几百上千条起，而且要干净。多数中小企业拿不出这样的数据，勉强做出来的效果不如检索。

几个常见的判断错误。

用微调塞知识。以为把文档喂进去训练就记住了，实际它学到的是表达方式，具体数字照样答不准。

检索不做切分。整份文档直接塞进去，检索命中率很低，因为一段话里的关键信息被埋住了。要按语义切成小块再建索引。

检索到但不引用。它查到了正确内容，还是按自己的记忆回答。要在提词里明确要求「只依据给出的资料作答，找不到就说找不到」。

没有「不知道」这个出口。资料里没有的问题，它硬答，错得还很自信。这一点在客服场景里很危险。

忽略召回质量。检索出来的内容不对，后面再好的模型也白搭。这一步值得单独花时间调。