RAG借助外部向量库实时检索信息，成本低、易更新，适合需动态数据的场景；模型微调则通过领域数据训练提升专业性与准确性，但耗资源且知识静态。二者并非互斥，常结合使用——RAG补时效，微调强专精。
要让大模型的回答更准确、更专业，目前主要有两种方法：RAG（检索增强生成） 和 模型微调（Fine-Tuning）。它们究竟是什么？有何区别？各自适用于哪些场景？AI 科普达人 New Machina 将在 5 分钟内，为大家深入解析这两项关键的 LLM 技术。
RAG 通过结合外部数据源（通常是向量数据库）来增强大语言模型的能力，使其能够实时获取最新信息，而无需修改模型本身。这种方法不仅成本更低，还能让系统保持动态更新，特别适合需要频繁获取新数据的应用场景。不过，RAG 依赖检索系统，数据质量和响应速度可能会受到影响。
相比之下，模型微调则是直接在特定领域的数据上进行训练，使模型在特定任务上的表现更精准、更专业。但微调过程需要大量计算资源，并且训练后的知识是静态的，无法获取新的信息，必须重新训练才能更新。
简单来说，RAG 更适用于需要实时信息的场景，而微调更适合专业领域的应用。如果追求准确性和专业化，模型微调是更好的选择。如果希望低成本、动态更新，RAG 则更具优势。
Anthropic 开源 knowledge-work-plugins 项目，提供 111 个无代码智能体技能包。该体系基于 Markdown 和 JSON 构建标准化模块，支持渐进式披露与 MCP 工具集成，标志提示词工程向软件工程化转型。内置 marketing 与 productivity 等插件展示了结构化输入及分层记忆范式，支持语义路由与轻量化定制。尽管存在多插件上下文竞争及云端连接器限制内网访问等问题，仍为智能体工作流提供了可复用的模块化规范。
oh-my-hermes 是为 Hermes 智能体设计的工程作业层插件，旨在解决复杂编码任务中的调度与验证难题。该工具通过模型路由、任务拆解及严格证据门禁，将自然语言转化为专业交付流，实测可降低约 85% 成本并大幅缩短耗时。其核心特性包括 12 类任务回退链、基于 Git Worktree 的安全并行执行、四态状态追踪及评审制长期记忆机制，有效防止上下文污染与虚假完成。尽管在超大仓库处理上仍有局限，但显著提升了开源模型的工程交付确定性。
Google 工程经理开源项目 agent-skills 通过结构化 SKILL.md 规范约束 AI 编码智能体，解决其生成代码缺乏工程纪律的问题。该项目覆盖定义、计划、构建等六大研发阶段，内置 25 个专业技能与反偷懒机制，强制 AI 遵循测试驱动及质量门禁标准。支持 Claude Code、Cursor 等主流工具集成，推荐从规格定义、TDD 及代码评审三步最小闭环起步，将无序补全转化为可预测的工程化构建，提升 AI 代码的生产级交付能力。
围绕《RAG 和 模型微调哪个好，怎么用？》展开交流，未登录用户可浏览评论，登录后可参与讨论。
