现在基于大模型开发应用时，相信很多人都有这种疑问，到底对大模型进行微调还是外接RAG呢？因为两者在一定层面上有很多相似的地方，下面让我给大家从各个层面进行分析，结合具体的业务场景，看哪种方式更适合你的。

大模型微调和RAG的区别

RAG：本质上没有改变大模型，只不过是在大模型之外添加了额外的知识而已，所以RAG又被称作大模型外挂的知识库。使用流程上，当我们进行提问时，首先问题先会从RAG知识库中进行检索，然后将检索的结果和原始问题组成新的prompt，再交给大模型，最后由大模型给出结果。

大模型微调：微调是指在一个已有大模型的基础上，将一些知识给这个大模型进行训练，此时训练后新的大模型就具备了那些知识，这个过程叫做微调。比如上面说的在RAG知识库的内容，我们可以给已有的大模型进行训练，那样训练后的大模型就具备RAG知识库的内容了，当用户进行提问时，直接跟大模型进行交互给出反馈。

所以两者完全不同，简单理解就是微调需要对大模型进行训练，训练后新的大模型对外直接提供服务；而RAG则不需要，只是大模型外挂的一个知识库，RAG+大模型两者合起来对外提供服务。

微调 or RAG？

通过上面的介绍，两者属于完全不同的方式对外提供的丰富，但是可以达到同样的效果，那我们应该如何选择呢？

1、风格与个性：你的大模型需不需要具备一些特殊能力，也可以说是特殊定制的大模型。比如回答问题的方式，模型本身所具备的“性格”等。举个具体的场景，你的大模型的应用场景是新闻播报员，当你向他提问时，大模型就会以专业官方正式的口吻来回答问题。或者你的场景是一个智能客服，那大模型回答的口吻可能是礼貌、平易近人的语气回答问题。而这种需求必须通过对大模型进行特殊的训练，通过微调的方式去实现，RAG方式很难做到。

2、数据时效性：数据是否经常变化。如果你的数据经常变化，比如企业内的一些业务数据变化频繁，而且有些需要及时更新作出反馈，那实际上选择RAG是最合适的方式。因为如果我们使用微调的话，每次数据的更新我们都需要重新去微调大模型，这个显然是不现实的。但是RAG知识库则不同，因为是外挂的，本质上是去更新背后向量数据库的数据，操作简单，就类似于我们业务更新数据库mysql一样容易。

3、解决幻觉问题：RAG优于大模型微调。大模型的幻觉问题不可避免，并且大模型本身就是一个黑盒，当我们提出一个问题时，不清楚内部解析细节给出的反馈过程，出现了幻觉也难以追踪。但是RAG可以通过在外部添加专业知识，降低大模型出现幻觉的概率，并且可以对出现的具体幻觉通过加强RAG知识内容去解决，同时大模型之前的检索RAG知识库的步骤和结果是可以进行追踪的。

4、成本：这个我认为是特别重要的一点，使用RAG的成本要远低于微调一个大模型的成本。因为微调那我们需要收集和处理数据，然后做进行微调，如果微调的效果不好，我们还要接着去做迭代，所以它的成本是很高的。 

5响应延时：反馈的延迟性。如果对大模型的反馈速度有要求，那很明显我们要选择微调。因为微调后的大模型没有其他东西，直接与其交互即可。但是RAG很明显是在大模型之外又新加的环节，并且RAG本身的步骤里就包含了检索、聚合prompt等步骤，都比较费时。

6、深度专业化：专业垂直领域大模型场景，毫无疑问，只能是微调。这种场景下，我们的关注点是大模型只要某个专业领域很强就可以，通用领域则不是我们关注的重点，例如编码大模型的场景，我们只需要用微调的方式，在编码层面对其进行专业的训练，使大模型成为编码领域的专家。这种场景下，RAG是办不到的，因为只有大模型训练才可以。

7、部署环境：智能设备，微调。

示例：

AI产品经理

   处理动态数据  RAG

   超级对话能力  RAG

   业务能力        RAG

AI程序员

   很强规范阅读能力（模型定制能力）  微调
   代码编写分析能力                          微调
AI销售机器人

   商品数据/动态     RAG

   销售技巧/语气     微调

 转自：https://blog.itpub.net/70041290/viewspace-3031631/

https://www.douyin.com/user/self/search/%E5%BE%AE%E8%B0%83?aid=6331fe27-f652-4f1c-96cd-6807b25d0397&modal_id=7509115192224058624&type=general