RAG 和微调在解决知识更新问题上，本质区别是什么？

回顾上期两个问题

问题 1：是不是做 Agent 就一定要上 RAG？

答案：不是必须，看你的 Agent 业务场景。 RAG 的定位是外部知识库外挂，适合私有文档、实时资料、频繁变更的业务知识场景。 如果你的 Agent 任务只是简单逻辑推理、工具调用、通用对话，不需要读取外部文档，只依赖模型原生能力 + 工具函数，完全可以不接入 RAG。 举个例子：一个单纯查询天气、计算数字的 Agent，不需要 RAG；但企业内部知识库问答 Agent，RAG 基本是标配。

问题 2：RAG 可以解决大模型所有幻觉问题吗？

答案：不能，RAG 只能缓解幻觉，无法彻底根除。 RAG 通过把参考原文喂给大模型，让模型基于真实材料作答，大幅减少凭空编造事实的情况。但依然存在问题：检索到错误片段、上下文窗口有限、模型对检索内容理解错误，依旧会产生幻觉。RAG 是 “降低幻觉概率”，不是幻觉特效药。

本期新问题：RAG 和微调在解决知识更新问题上，本质区别是什么？

一句话总结：RAG 是 “外挂参考书，临时看资料”；微调是 “修改模型权重，把知识刻进模型本身”。

✅ RAG（检索增强生成） 知识保存在独立向量库，模型本身参数不变。新增 / 修改知识，只需要更新文档、重新向量化，不用重新训练模型。优势：迭代快、成本低，适合高频变化、大量私有知识；缺点：依赖检索质量，受上下文长度限制。

✅ 微调（Fine-tuning） 通过训练修改模型权重，把知识固化进模型参数里。更新知识需要重新训练，一旦训练完成，知识就存在模型内部。优势：知识内化，不需要额外检索环节；缺点：成本高，更新知识就要重新微调，容易出现灾难性遗忘，不适合频繁变更的内容。

简单类比： RAG = 考试允许随时翻课外参考书； 微调 = 重新上课背书，把新知识记到脑子里。

📌 本期留下新疑问，欢迎评论区一起探讨：