提示词、RAG还是微调？给AI补知识的三种方式怎么选
想让 AI 更懂你的业务，市面上流传着三条路：优化提示词、做 RAG（检索增强生成）、微调模型。很多团队在这三个词之间反复纠结，甚至花几周争论“该用哪个”，结果项目还没启动就输在了选型上。其实这个选择题没那么玄——关键在于先分清你的需求是“补知识”还是“教行为”。数据说明一切：Menlo Ventures 对六百家企业技术决策者的调研显示，生产环境中 RAG 的采用率达 51%，而微调只有 9%。这不是说微调没用，而是说大多数业务问题用错了工具。这篇文章把三条路的原理、成本与适用场景一次讲透。
先记住一个总原则：RAG 管“知道什么”，微调管“怎么表现”
三条路的本质差别是“知识住在哪里”。提示词工程：知识写在每次提问的上下文里，用完即走；RAG：知识存在外部知识库（文档、向量数据库）里，提问时实时检索相关片段注入提示词，模型参数一动不动；微调：用你的数据继续训练模型、修改它的权重，让知识或行为“长进模型里”。业内反复强调一个常被误解的事实：微调不是用来添加事实性知识的——它是用来教行为（语气、格式、任务模式）的。把产品文档拿去微调，指望模型“记住”文档细节，结果往往是模型吸收了统计规律后，自信地编造出文档里根本不存在的细节——这是最常见的翻车姿势。
提示词工程：最便宜，但天花板最低
提示词工程的成本几乎为零：一个 API 密钥加一段精心设计的指令（角色、背景、示例、输出格式）就能跑起来，改动即时生效，最适合快速验证想法。它的天花板也很明确：受限于上下文窗口，塞不进海量知识；无法给模型补充训练数据之外的新事实；输出稳定性依赖提示词质量，措辞稍变结果就可能漂移。判断标准很直接：任务能用几句话解释清楚、靠常识能回答、能接受一定波动——那就用提示词。如果你的知识库有几百页且经常更新，提示词这条路走不通，别硬撑。
RAG：把知识“外挂”给模型，可溯源、更新便宜
RAG 的流程是：用户提问后，系统先从知识库（通常经向量数据库做语义检索）找出相关片段，连同问题一起交给模型生成答案。它有三个不可替代的优势：第一，知识可以随时更新——政策改了、价格变了，更新文档即可，无需重新训练；第二，答案可溯源——可以要求模型引用来源，这对法务、医疗、客服等“必须说得出依据”的场景是刚需；第三，落地快，一至三天就能搭出原型。代价是需要维护知识库与检索质量（切片、召回、重排都要调优），且每次查询要多花检索与上下文 token 的成本。凡是“答案取决于经常变化的事实”的场景——内部制度问答、产品支持、政策查询——RAG 都是默认首选。
微调：教行为、提效率，但贵且慢
微调通过大量“输入—期望输出”样例继续训练模型，让它在特定任务上形成稳定风格与格式：统一的客服话术、固定的报告结构、特定的领域术语与推理套路。好处是模型行为高度一致，提示词可以更短、推理成本更低；代价也最高——要准备几十上百个高质量样例（质量胜过数量，几百个精样例好过几千个平庸样本）、要花一至四周训练调试、要防过拟合，知识一变就得重训。所以微调适合“请求量大且形态稳定”的场景：批量生成标准化文档、统一品牌腔调的营销文案、固定格式的数据抽取。它和 RAG 不是对手，最强系统往往两者兼用：微调负责“怎么说”，RAG 负责“说什么”——比如客服机器人，微调教会它礼貌、简洁、符合规范的话术，RAG 提供最新政策与产品信息，再让每次回答都基于可核验的文档。
决策四问：三十秒判断该走哪条路
- 一问：答案依赖经常变化或专有的事实吗？是——RAG；否——继续往下问。
- 二问：回答需要可溯源、可核验吗？是——RAG（微调无法提供引用来源）。
- 三问：你真正缺的是稳定风格和格式吗？是——考虑微调。
- 四问：预算、人力和时间够吗？提示词最快最省，RAG 居中，微调最重——从轻到重逐步升级，永远是性价比最高的路径。
案例：同一个客服机器人，两种命运
两家公司同时做客服问答机器人。A 公司把几百页产品手册直接拿去微调，训练两周上线，结果模型对“退货政策是几天”“某功能是否支持”这类事实问题答得流畅却错误百出——因为它学的是统计模式，不是查文档。A 团队又花两周补数据重训，成本翻倍，问题依旧，最后推倒改做 RAG。B 公司则走了组合路线：用几百条优质对话样例微调出一个“话术层”，让回复语气统一、结构规范；同时把产品手册、政策文档接进 RAG 知识库，所有事实性回答都基于检索内容并附来源。上线后 B 的准确率与用户满意度明显占优，政策更新时只需替换文档，十分钟生效。选型错误的代价，往往不是多花两周，而是让团队对 AI 失去信心。
常见误区
- 误区一：用微调“教模型记住文档”。微调教行为，RAG 才管事实，顺序搞反必然翻车。
- 误区二：一上来就上最重的方案。先用提示词验证，再按需升级，多数场景根本走不到微调。
- 误区三：以为 RAG 开箱即用。切片粒度、检索质量、重排策略都影响效果，知识库本身需要持续维护。
- 误区四：忽视数据安全与合规。敏感数据交给外部 API 前，先想清楚数据出境与隐私边界。
- 误区五：把三者当“单选题”。真实系统多是组合拳：提示词定框架、RAG 供知识、微调调风格。
行动建议
下次立项时，先花三十分钟回答决策四问，把结论写进方案：需求是“知识型”还是“行为型”？知识多久变一次？回答要不要给依据？然后从最轻的方案开始——先用提示词加示例跑通流程，把文档接成简单的 RAG 验证效果，确认风格一致性成为瓶颈时再考虑微调。记住一句话：技术选型的终点不是“用了最新技术”，而是“问题被最划算地解决”。