01 · 核心区别
RAG 是带资料回答，微调是改变模型习惯
RAG 的本质，是让模型在回答前先去企业知识库里检索相关资料，再基于资料生成回答。它的优势是更新快、可引用、可控，适合企业内部文档、制度、手册、案例库、研报和政策资料。
微调的本质，是用一批样本改变模型的输出习惯。它不会天然解决知识更新问题，但能让模型更稳定地按照某种格式、语气或判断边界工作。
- 资料经常变化：优先 RAG。
- 回答必须给来源：优先 RAG。
- 输出格式和风格要求极稳定：考虑微调。
- 有大量高质量标注样本：微调才有基础。
02 · 企业第一步
先别急着微调，先把知识和流程整理好
很多企业一开始就问要不要训练自己的模型。这个问题往往问早了。因为企业真正缺的不是模型参数，而是干净的知识源、清楚的权限、明确的业务流程和可验收的输出标准。
如果知识库混乱、文档版本不清、业务规则没人说得明白，即使微调模型也解决不了问题。模型会学到一堆不一致的样本，输出看起来像对的，实际上更难排查。
企业 AI 选型的顺序应该是：场景先行，知识治理第二，系统流程第三，模型优化最后。
03 · 决策框架
用四个问题判断该选哪条路线
选 RAG 还是微调，可以用四个问题快速判断：知识是否频繁更新？是否必须展示来源？任务是否有大量标准样本？输出是否高度依赖风格和格式？
如果前两个答案是“是”，RAG 通常更合适；如果后两个答案是“是”，微调才值得认真评估。很多企业最终会采用组合方案：RAG 提供事实和来源，微调或提示词模板约束输出格式。
- 制度问答、合同条款检索、投研资料库：RAG 优先。
- 客服意图分类、固定格式质检、特定风格文案：微调可评估。
- 既要查资料又要固定格式：RAG + 模板或轻量微调。
04 · 成本与风险
真正贵的不是模型，而是后续维护
RAG 的维护重点是文档更新、索引质量、权限管理和答案评估。微调的维护重点是样本质量、训练版本、效果回归和场景漂移。两者都不是一次上线就结束。
对大多数中小企业来说，先用 RAG 做出一个可用 MVP，更容易验证价值。等业务稳定、样本积累足够，再考虑是否需要微调。