一句话定义：检索器微调（Retriever AI 词典：Fine-tuning">Fine-tuning）就是用你自己业务里「问题 → 正确原文」的配对数据，把负责把文本转成向量（Embedding）的那个模型再训练一遍，让它更擅长把你的问题匹配到你的文档。
为什么通用向量模型在你的领域会「找不到」
RAG（Retrieval-Augmented Generation，检索增强生成）的流程一般分两段：检索器从知识库里捞出候选段落，生成模型读完候选再写答案。检索器的底座是一个 Embedding 模型，它把每段文本压成一串数字向量，靠向量之间的距离判断两段话「像不像」。
通用向量模型是在互联网大杂烩上训练的，它学到的「像」是大众语义的像。问题在于，每个行业、每家公司都有自己的黑话。
举个具体例子。某硬件公司的客服工单里，用户搜「设备一直不在线怎么办」，通用模型会去找「网络连接」「断网排查」这类字面相近的段落；而真正该命中的那条写的是「SIM 卡余额不足导致心跳中断」——两者字面几乎不重叠，通用模型认为它们不像，正确文档就沉在库里捞不上来。反过来，它可能把医疗语境里的「心跳」当成技术文档里的「心跳」，因为它在公开语料里见得更多的是前者。
打个比方：通用 Embedding 模型像一个什么书都读过的图书管理员，你问「咱们组那个卡住的项目」，他真不知道你说的「卡住」指的是测试环境挂了。
怎么训
不需要海量标注。常见做法是拿已有的用户提问，配上人工确认过的正确文档片段作为正样本，同一批问题里的其它文档当负样本，用对比学习（contrastive learning）把正样本拉近、负样本推远。数据可以从几百条起步，也可以先让大模型基于你的文档批量出题再人工筛。具体需要多少数据、能提升多少，取决于你的领域偏离通用语料的程度，以实际评测结果为准。
和相邻概念的区别
| 检索器微调 | 重排器微调 | 生成模型微调 | |
|---|---|---|---|
| 作用阶段 | 召回 | 精排 | 写作 |
| 输入形态 | 单段文本 | 问题＋文档对 | 提示＋答案 |
| 解决的问题 | 正确文档进不了候选池 | 候选排序不对 | 答案风格、格式不对 |
| 典型底座 | 双塔 Embedding 模型 | 交叉编码器（Cross-encoder） | 大语言模型 |
对你意味着什么
做 RAG 的从业者，先做错误归因再决定动哪一层：如果正确文档压根没进 Top-K，那是召回问题，微调检索器值得做；如果它在候选里但排在第 8 位被截断，先调大 K 或者加个重排器（Reranker）更划算。改提示词改的是生成模型怎么读，救不了召回。此外，关键词检索（如 BM25）和向量检索混合使用，往往比单纯微调更省事。
对普通职场人，这条词条的实用价值是：内部搜索不好用，不一定是搜索框的问题，也可能是底层的向量模型从没学过你们公司的黑话。至于某个模型能不能微调、接口怎么调，以各家官方文档为准。