想让 AI 用上自己的资料，最常见的两条路是检索增强（RAG）和微调。很多人一到选型就开始纠结：是不是必须训练一个自己的模型？其实先退一步看，这两条路解决的是不同的问题——一个是让模型「看得到」资料，一个是让模型「学会」一种答法。把需求对号入座，选择往往就清楚了。
两条路解决的是两种「不会」
检索增强像一场开卷考试：模型本身不变，回答之前先去资料库里搜出相关段落，拼进提示词再作答。知识存在外部库里，随时可以增删改，答案还能附带出处方便核对。适合知识频繁更新、要求可追溯的场景，比如产品文档问答、法规条款查询。
微调则像把教材背下来：用成对的问答或示例数据去改模型参数，让它在特定的语气、格式、领域任务上稳定发挥。知识变化慢、但对「怎么答」有严格要求的事情，交给微调更合适，比如固定格式的报告生成、统一话术的客服开场。
一个简单的判断口诀：答案会过期的，用检索；答法要固定的，用微调。两个需求都有，就两条一起用。
成本与维护差多少
RAG 起步成本低：把文档切块、做向量化、接一个检索组件就能跑，资料更新只是重新入库，模型本身不动。微调则要先准备几百到几千条高质量样本，训练、评估、发布每一环都有费用和时间，样本质量不够还会把模型带偏。
维护侧的差异更明显：RAG 出问题通常是检索没搜准，改分块策略或换向量模型就能改善，当天见效；微调效果不理想则要回到数据端——补样本、调训练轮数、防过拟合，一轮排查下来往往以周计。
更多时候，两条路一起走
两者并不互斥。常见的组合是先用微调把「怎么说」固定下来——统一语气、格式和领域术语，再用 RAG 解决「说什么」——挂上实时更新的知识库。企业知识助手、行业客服大多是这个结构：模型负责表达，检索负责事实。
落地顺序建议从 RAG 开始：先用最小成本验证检索质量，把问题从「模型不行」里剥离出来；确认确实需要定制风格或格式时，再考虑微调。接口走 https://api.aigcbreeze.cn/v1，向量环节选 qwen3.7-text-embedding-flash 这类 embedding 模型，对话环节按任务挑 glm-5.3 等主力模型即可起步。
常见问题
资料量很小，还有必要上 RAG 吗？
不一定。几十页以内的资料，可以直接放进长上下文模型的窗口里，让模型通读后再提问，省掉整条检索链路。等资料规模大到放不下、或者更新频繁时，再升级成 RAG 也不迟。
微调能把新知识灌进模型吗？
能记住一部分，但不可靠，还容易把原有能力带偏。凡是要求事实准确、需要跟着资料更新的知识，检索远比微调稳；微调更适合改「行为」，而不是灌「知识」。
怎么判断 RAG 效果差是检索的锅还是模型的锅？
先单独看检索：把召回的段落原样打印出来人工核对。召回的内容相关，说明检索没问题，瓶颈在生成端，换更强的对话模型试试；召回不相关，就先调分块大小和向量模型，别急着怪模型。