微调为何解决不了知识缺失?

微调解决不了知识缺失，根本原因在于它改变的主要是模型的参数分布与输出倾向，而不是建立一套可靠、可持续更新的外部知识系统。它更适合让模型学会特定任务的表达方式、回答格式和领域语气，却不擅长把企业刚发布的制度、不断变化的业务数据或大量专业文档准确地“存进脑中”。

当用户反馈“答案不对”时，首先要区分两类问题：模型已经掌握相关知识，却没有按要求表达；还是模型根本没有接触过正确资料。前者可以考虑微调，例如统一客服语气、规范医疗术语或固定结构化输出。后者若直接依赖微调，往往会把知识更新问题误当成训练问题，结果不仅成本高，还可能出现过拟合、旧知识与新知识冲突，甚至影响原本正常的能力。

更合理的做法，是把知识与行为分开处理。企业文档问答、实时信息查询等场景，需要先通过检索从外部知识库获取相关内容，再交给模型生成答案。这样，知识可以独立维护，更新时不必重新训练模型，也更容易追溯回答依据。RAG的价值正是在这里：它补充的是模型当前缺少或可能过时的信息，而不是强行改变模型本身。

当然，RAG也不是把资料丢进向量数据库就结束。文档切分、召回策略、相关性排序和上下文压缩都会影响最终结果；如果知识库内容错误，模型仍可能生成貌似合理的错误回答。因此，知识增强必须配合资料治理和业务评估，不能把检索结果自动等同于事实。

判断是否需要微调，可以先问两个问题：问题主要是“不会表达”，还是“没有知识”？答案若属于前者，微调可能有效；若属于后者，应优先建设可更新、可审计的知识来源。等业务流程稳定、积累足够的 bad case 后，再用微调优化特定任务，才是更稳妥的技术路径。