考察点
这是 2026 年多份面经都出现的经典对比题（「电商智能客服选 RAG 还是微调」是原题变体）。面试官想看你能不能把「RAG 管知识、微调管能力」这条主线讲透，而不是背「各有优劣」。场景题里还要看你抓不抓得住题眼：商品参数、退换货政策频繁变动。
参考答案
一句话结论
RAG 解决「模型不知道什么」，微调解决「模型不会做什么」。 知识更新、事实问答用 RAG；输出格式、语气风格、任务范式用微调。电商客服这种商品参数和退换政策天天变的场景，主体必须是 RAG。
四个维度对比
| 维度 | RAG | 微调 |
|---|---|---|
| 知识实时性 | 改知识库立刻生效，分钟级 | 要重新训练，天级，还有灾难性遗忘风险 |
| 成本 | Embedding + 向量库，百万文档建库成本几千元级 | 一次全量微调几万到几十万，还要持续重训 |
| 幻觉控制 | 答案有据可查，可附引用来源，可追溯 | 知识「揉」进权重，错了无法定位无法撤回 |
| 效果上限 | 受检索质量限制 | 对固定范式任务上限更高 |
电商客服场景展开
题目里「动态更新」三个字就是题眼。商品 SKU 每周上新、价格每天变、退换政策随大促调整——这种知识变更频率下，微调意味着每周重训一次模型，成本不可接受，而且每次重训都可能把之前学会的东西忘掉一块。RAG 侧只需要：商品库变更触发增量索引，分钟级生效；政策文档更新重新切分入库，即时生效。
微调在这个场景的位置是辅助性的：如果要求客服语气统一（「亲和、不卑不亢、先共情再给方案」）、输出带固定结构（先结论、再依据、再操作步骤），这些是「能力」不是「知识」，可以用几百条高质量对话做 SFT 固化下来。RAG + 轻量 SFT 的组合才是完整答案。
微调的不可替代场景
别把微调一棍子打死，三种情况它是对的：
- 格式与风格强约束：法律文书口吻、固定 JSON 结构输出，靠 Prompt 约束不稳，微调能固化。
- 领域术语理解：医学、芯片这类术语密集领域，Embedding 和生成模型对术语的理解都不到位，领域继续预训练（CPT）治本。
- 降低推理成本：把长 Prompt 里固定的行为模式蒸馏进小模型，线上用小模型替代大模型 + 长 Prompt，延迟和成本都降一个量级。
常见误区
面试里讲出这几个误区很加分：微调不能用来注入事实性知识——一万条商品参数喂进去，模型照样把 8GB 记成 16GB，因为权重存储的是统计模式不是精确事实；RAG 不能改变模型的行为模式——检索到再规范的模板，模型也可能不按模板写。两者是互补的两层，不是竞争关系。
决策顺序：先 RAG 把知识管起来；发现格式、语气、范式不稳定，再补 SFT；发现领域理解根本不行，再考虑 CPT。每一步都有明确的触发信号，别一上来就微调。
可能的追问
Q：RAG 知识库很大时，为什么不干脆微调进去？ 三个不可行：精确事实存不进权重（数字、编号必错）；更新一次全量重训，频率跟不上；出了错无法撤回——RAG 删一条文档就解决，微调错了只能再训一版。
Q：长上下文模型窗口都上百万 token 了，RAG 还有必要吗？ 有。全量塞上下文的成本是每次问答都付全量 token 钱，延迟也线性涨；且长上下文的中段利用衰减真实存在。RAG 把每次问答的成本收敛到相关片段，这个经济性优势不会消失。
Q：微调和 RAG 一起用时顺序怎么定？ 微调在离线训练期做，RAG 在线推理期做，互不干扰。注意微调过的模型要回归测试 RAG 场景——微调可能改变模型利用上下文的风格，别假设微调后 RAG 表现不变。