🧠 图解记忆： RAG 注入可更新知识，SFT 塑造稳定行为；先判断要改“知道什么”还是“怎么做”。
💡 答案要点
选择决策框架：
| 维度 | RAG | SFT |
|---|---|---|
| 知识时效性 | ✅ 高（可实时更新） | ❌ 低（需重新训练） |
| 知识容量 | ✅ 海量知识 | ❌ 受模型参数限制 |
| 推理成本 | ❌ 每次检索有延迟 | ✅ 推理更快 |
| 定制风格 | △ 受 prompt 控制 | ✅ 深度定制 |
| 幻觉问题 | ✅ 答案可溯源 | ❌ 幻觉难以避免 |
| 训练成本 | ✅ 低 | ❌ 高（需要数据） |
选型决策树：
知识是否频繁变化？
├── 是 → RAG（实时更新知识库）
↓ 否
知识是否超出模型参数容量？
├── 是 → RAG（知识库 > 7B参数容量）
↓ 否
需要深度定制回答风格/格式？
├── 是 → SFT（需要大量标注数据）
↓ 否
对答案准确性/可溯源性要求高？
→ RAG（答案可溯源到文档）混合方案（RAG + SFT）：
python
# 实际生产环境中，RAG + SFT 混合使用
class HybridRAGWithSFT:
def __init__(self, vector_db, fine_tuned_model):
self.vector_db = vector_db
self.model = fine_tuned_model # 微调过的模型
def answer(self, query):
# 1. RAG 检索相关文档
docs = self.vector_db.search(query, k=5)
# 2. 用微调模型生成（微调模型已学会特定风格）
context = "\n".join([d['content'] for d in docs])
answer = self.model.generate(
prompt=f"基于以下上下文回答：{context}\n\n问题：{query}"
)
return answer
# SFT负责风格（如医疗报告格式）
# RAG负责知识实时性（如最新药品信息）面试话术：
"我的经验是：知识频繁变化选 RAG，需要特定风格选 SFT，数据量小先 RAG，效果不够再 SFT。实际项目里通常是 RAG + SFT 混合——RAG 保证知识实时性，SFT 微调模型输出风格。我在之前的短剧平台项目里就是混合方案：RAG 检索最新剧情热度，SFT 控制回复风格。"