检索–增强生成与微调：2025 年指南

检索增强生成（RAG）和微调是人工智能中两个截然不同的概念，它们的目的也截然不同。RAG 允许 LLM 在运行时获取外部信息。微调则允许 LLM 调整其内部知识，以进行更深入、永久的学习。

在本指南结束时，您将能够回答以下问题。

• 什么是微调？
• 什么是 RAG？
• 何时使用微调？
• 何时使用 RAG？
• RAG 和微调如何相辅相成？

什么是微调？

微调通常被认为是实际模型训练过程的一部分。您可以在此了解有关模型训练的更多信息。模型首先要经历一个称为 “预训练 “的阶段。简单来说，这就是模型学习接收输入和生成输出的过程。一旦完成预训练，模型就包含了大量的知识，但还没有达到应用这些知识的最佳状态。

我们通常使用 “人反馈强化学习”（RLHF）对模型进行微调。在微调时，你实际上是在与模型对话，测试它的输出结果。例如，如果一个模型说 “天空是绿色的”，那么就需要将其修正为 “天空是蓝色的”。微调时，您要判断机器的输出，并强化预期行为–就像对表现良好的狗狗说 “好孩子！”或对表现不好的狗狗卷起报纸一样。

当你对 LLM 进行微调时，你是在为其实际任务做准备。微调主要有两种类型。

• 领域适应性：想象一下，你想用 DeepSeek 这样的基础模型创建一个编程专家。你已经有了一个基础扎实的强大模型，但它还不是真正的专家。当然，它能理解 shell 命令和大部分 Python 代码，但它还需要专业知识。这时，你可以利用StackOverflow和LeetCode 等工具向它传授计算机科学和编码的精髓。一旦完成微调，你就能得到一个比人类更快更好地编写代码的模型。
• 任务适应：任务适应是指适应手头的任务。在当今的 LLM 中，我们在实际聊天中最常见到这一点。2025 年初，ChatGPT-4o 接受了一些非常严格的微调，以便与聊天者的情绪相匹配。在这种情况下，RLHF 被用来激励机器人反映用户的情绪。如果用户谈论技术，GPT 也会这样做。如果用户谈论法律，GPT 也会用法律术语说话。如果用户听起来很虔诚，GPT 就会用虔诚的语气说话（是的，真的）。

微调用于影响模型的实际决策和推断。

什么是 RAG？

在 RAG 中，没有真正的学习。人工智能会根据上下文相关性检索额外的数据并生成输出。一旦生成输出，模型就会回到检索前的状态。这是一种零点学习。模型以零先验上下文参考信息。然后，它利用预训练进行推断并生成输出。

当你问双子座 “今天天气如何？”时，它会查找（检索）天气（增强其知识），然后告诉你（生成）输出结果。

RAG 有两种主要类型：被动型和主动型。这一点在最新一代带有存储记忆的聊天模型中得到了最好的体现。

• 被动 RAG：”记忆 “存储在矢量数据库中，日后可根据上下文进行引用。当 LLM 知道你的名字或喜好时，这就是被动 RAG。所引用的信息是静态和永久的。删除 “记忆 “的唯一方法是手动删除。
• 积极的 RAG：回想一下之前的天气例子。天气每天都在变化。模型会对天气进行主动搜索（可能是通过 API）。一旦它确信自己了解天气情况，就会以自己的自定义 “个性 “将其反馈给您。

RAG 管道完全遵循这一工作流程：检索数据 -> 增强推理 -> 生成输出。

何时进行微调？

当你想确定你的模型究竟是如何思考的时候，最好使用微调。当你希望知识和推理是永久性的，你就应该进行微调。如果你的 LLM 需要真正理解数据，你就应该对它进行微调。

如果你的模型产生的输出结果不完全正确，如果它的思考过程让人感觉稍有偏差–你就需要进行微调。

• 音调和个性：如果您已经为您的模型设定了特定的态度或语调，请进行微调。这在定制聊天机器人中尤其有用。当 Grok 3 凭借用户自定义的个性震惊世界时，部分原因就在于微调。
• 边缘案例和准确性：当您的模型遇到边缘案例问题或无法正确表示训练数据时，就需要进行微调。对于用于医疗诊断的模型来说尤其如此。模型对法律产生幻觉可能会导致法庭诉讼。如果模型对医疗状况产生幻觉，则会对患者造成危险。
• 缩小模型尺寸，降低成本：微调可以大大降低模型的大小和运行成本。例如，Llama 团队能够将 GPT-4 的输出提炼为 GPT-3.5。您可以在他们的微调文档中阅读更多相关信息。
• 新任务和能力：如果您希望增加预训练模型中不存在的实际能力，您需要对其进行微调。想象一下，您已经训练了一个只能使用英语的模型，但您需要西班牙语的输出–再多的提示工程或 RAG 也无法解决这个问题，您需要对其进行微调。

何时使用 RAG？

RAG 最适合用于已经正确思考的模型。如果您的模型在微调后产生了正确的输出，那么很可能是时候为外部数据访问添加 RAG 了。如果没有适当的上下文，无论模型多么智能，在很多任务中都会变得毫无用处。

回想一下之前的天气例子。你可以拥有地球上最智能的模型，但如果无法访问实时数据，你的模型就无法为你提供天气信息，或者任何实时信息。RAG 可以满足以下数据需求。

• 实时数据：我们已经介绍过天气。这包括新闻、财务预测、系统监控和其他快速移动的数据流。
• 研究或图书馆助理：有时，人们只需要找到正确的资源。当你使用 Gemini 或 Brave Search 提出问题时，你会得到直接的答案。该模式可以浏览文档，并为您指出相关资源。
• 客户支持：当您需要一名法律硕士在服务台值班并回答一般问题时，RAG 可以快速有效地提供帮助。人工智能模型已经知道如何回答问题和阅读文档，它们只需要访问正确的内容。
• 自定义输出：还记得我们前面提到的 GPT 的用户反映音调吗？这可不是中世纪的巫术。模型参考的是数据库中存储的事实。如果 OpenAI 必须为每个用户重新训练模型，那它就不存在了。

如何取舍

如果您的模型需要更好的思考，您应该进行微调。如果您的模型需要外部信息，请使用 RAG。实际上，我们正朝着混合系统的方向发展。一旦您将其发布到野外，您的模型就需要清晰地思考并访问正确的数据。下表将帮助您决定何时在项目中使用上述每种方法。

用于 RAG 和微调的亮数据工具

在 Bright Data，我们提供强大的工具集来满足您的微调和 RAG 需求。无论您需要训练数据集还是实时管道，我们的系统都能满足您的需求。

微调

• 数据集：从互联网上获取历史数据–每日更新。无论您是在寻找社交媒体、产品列表，还是维基百科，我们都能为您提供–为培训做好准备。
• 存档 API：通过每天新增的 PB 级数据，对多模态数据和其他数据源进行培训。
• 注释：利用灵活的注释服务加快培训速度，您可以选择人工智能辅助或人工监督标注。

RAG

• 搜索 API：使用任何带有自定义参数（如图片或购物）的主要搜索引擎实时执行网络搜索。
• Unlocker API：使用我们的托管代理服务，几乎可以抓取网络上的任何网站。
• 代理浏览器：为您的人工智能代理提供全面的浏览器自动化。
• MCP 服务器：将您的人工智能代理与我们的工具无缝集成。

结论

微调教会你的模型如何思考。RAG 可让您的模型访问外部数据，而无需重新训练或臃肿模型。实际上，您应该同时使用这两种方法–只是在开发的不同阶段。

通过了解何时以及为何要使用微调和 RAG，您可以利用自己的人工智能模型做出明智的决策。无论您是要创建一个特定领域的专家，还是要让它访问实时数据，我们的工具都将为您提供帮助，我们也是如此。

注册免费试用，立即开始使用！