一句话定义：微调（AI 词典：Fine-tuning">Fine-tuning）是把你的数据用于继续训练，让模型把数据“写进权重、变成习惯”；RAG（Retrieval-Augmented Generation，检索增强生成）则把数据放在模型外部，回答问题时当场检索、再根据检索结果作答。两者目的相同：让通用模型“懂你的东西”，但实现成本、更新方式和适用场景完全不同。
打个生活化的比方。微调像送员工去脱产培训：花时间、花钱，学完以后变成肌肉记忆，不用查资料就能上手。好处是熟练、稳定；坏处是手册一旦过期，他脑子里的版本还是旧的，想改就得重新培训一遍。RAG 像给员工配一个公司内部搜索框，再加一本每天更新的手册：他不需要背下所有内容，遇到问题就先查，查完再照着答。好处是手册改一行就立刻生效，还能告诉你“这条来自第 3 页”；坏处是手册里没有的、或者翻不到的内容，他就答不出来。
判断该用哪个，可以看四条：
| 你的情况 | 更该选 |
|---|---|
| 数据天天变（库存、价格、政策、工单、聊天记录） | RAG |
| 答案要给出处、要能审计、要能一键撤回 | RAG |
| 资料量大且长尾（几万页文档、内部wiki） | RAG |
| 要模型稳定输出某种格式、语气、分类口径 | 微调 |
| 想把某个任务压到更小更便宜的模型上 | 微调 |
| 模型“不知道”，但答起来很流畅 | RAG |
| 模型“知道”，但答得不像你要的样子 | 微调 |
一个粗略的说法是：RAG 补“知道什么”（知识），微调改“怎么做事”（行为）。如果检索质量还没做到最好，就急着微调，通常是因为诊断错了问题。
和相邻概念的区别。提示词工程（Prompt Engineering）只改输入，不碰权重，也不建索引，是最轻的一层；RAG 建索引、但不动权重；微调动权重、但不建索引。三者是不同层级的手段，不是互相替代的关系。很多团队真正有效的做法是：先把提示词写好，再用 RAG 补知识，最后才考虑微调来固化风格或压缩成本。
对从业者的意义：默认从提示词和 RAG 起步。它可回滚、可解释、改完当天生效，失败时也能定位到底是“没检索到”还是“检索到了但模型没用”。只有当检索已经很好、模型仍然不按你要的方式说话或判断时，微调才是答案。另外，企业内部 RAG 效果差，多数时候问题出在文档治理、权限和分块策略上，而不是模型不行，所以先修数据，再换模型。
对普通职场人的意义：再听到“我们把行业数据喂给模型了”，可以追问一句——是喂进权重，还是喂进知识库？前者改起来要重训、不容易撤回；后者改一条文档就生效。这个区别，决定了这套东西多久能跟上业务变化。具体工具与计费口径，以各家官方页面为准。