硅基流动官方博客发布对比指南，称RAG适合当前、私密或需溯源的资料问答，微调适合分类、格式和术语等需要稳定重复的任务；两者可组合，但检索指标与生成指标应分开评估。
AI解读：来源把决策归结为两个问题：模型是否需要访问不同的信息（指向RAG），还是需要更一致地处理同一类信息（指向微调）。
RAG在请求时从外部索引检索内容，更新知识靠更新并重建索引，无需重新训练生成模型；指南列出检索召回、上下文相关性、排序质量、有据性和引用准确性等评估项。
微调通过应用示例继续训练模型，主要用于分类、意图识别、结构化抽取、固定格式与术语、缩短冗长提示等场景；指南提醒微调不保证可靠记住训练数据中的每项事实。
指南称两者可组合：RAG提供当前证据，微调让模型按固定结构使用该证据；并建议分别评估检索与生成，避免把检索问题误判为需要重新训练。
成本没有统一答案：RAG单次请求含查询处理、检索、可选重排和额外输入token；微调含数据准备、训练、部署、推理和未来再训练。来源未给出任何具体节省比例或效果数据。
指南提到的平台功能包括硅基流动的embedding API、重排API、微调工作流和按量付费推理，属公司自述。
硅基流动官方博客发布一篇RAG与微调（fine-tuning）的选型指南，按数据新鲜度、任务稳定性和成本结构说明两种方案的适用条件。文章称，选择起点应是应用要解决的问题：需要访问当前、私密或来源限定的信息时用RAG；需要模型更稳定地执行同一类任务时用微调。
文章将微调限定为监督微调或LoRA等参数高效方法，并称继续预训练是另一类适配方法，数据与算力要求不同。文中介绍的embedding、重排、微调与按量付费推理均为硅基流动自家产品能力，属公司自述。
RAG的适用条件与评估项
指南描述RAG的典型流程：清洗并切分文档、生成embedding、连同元数据存入向量索引；查询时检索相关片段，可选重排，再把选中上下文送入模型生成。检索到的知识留在外部索引，团队更新文档并重建索引即可，不必重新训练生成模型。
文章列出适合RAG的情形：产品或内部流程等文档更新频繁；用户需要标题、链接、时间戳或章节标识作为依据；知识库规模大或涉及权限控制，可用元数据按部门、角色、地区、文档类型或访问级别过滤。
评估方面，指南要求开发者检查检索召回、上下文相关性、排序质量、有据性、答案正确性和引用准确性。文章称，如果所需段落从未出现在候选结果中，改生成提示的作用有限，应先检查切分、元数据、过滤、embedding质量和查询构造。
- 基础RAG应用无需训练生成模型；更复杂的系统仍可能调整检索器或重排器。
- 更新知识靠更新并重建索引，而微调需要再安排一轮训练。
微调的适用条件与局限
指南称，当基础模型能理解输入但执行任务不稳定时，微调更合适。常见用例包括分类、意图识别、结构化抽取、受控改写和固定回复生成。文中举例：客服系统需把每张工单归入 30 个内部类别之一，提示词对常见请求有效，但边界情况标签不稳，有代表性的训练样本可改善类别边界的一致性。
文章还列出微调的其他触发条件：提示词越来越长或脆弱，含格式规则、例外和示例；输出需稳定JSON、受控措辞或专业术语；较小模型可能足以承担重复任务。微调可把重复模式写入模型，减少每次请求携带的示例数量；但文章明确，实际节省取决于训练成本、模型规模、请求量和被移除的输入token数。
局限方面，指南称微调更新模型参数，但不保证可靠记住训练数据中的每项事实；训练数据应覆盖正常请求、模糊输入、信息缺失、边缘情况以及应被拒绝的示例。
- 微调的准备工作包括收集代表性样本、清洗验证数据、运行训练、评估检查点、部署及管理版本和后续再训练。
- 选择较小模型前应比较任务准确率、失败严重程度、延迟、吞吐和总成本。
决策框架与平台功能
指南建议先用有代表性的评估集测试基础模型：若失败源于信息缺失、过期、私密或依赖来源，指向RAG；若表现为分类不稳、格式、术语或任务执行不稳，指向微调。两种失败同时存在时，可用RAG提供当前证据、微调改善模型使用证据的方式。
文章称，技术支援助手的例子中，RAG检索最新手册和排障记录，微调模型按公司诊断顺序和格式要求组织回答；两者应分开评估，检索指标看是否找到正确证据，生成指标看是否正确使用证据，端到端指标看是否解决用户请求。
平台方面，文章称硅基流动提供embedding API、重排API、微调工作流和按量付费推理，微调后的聊天模型可通过OpenAI兼容接口调用。这些为来源自述。FAQ部分称，检索也可用关键词、SQL、元数据过滤、图数据库或外部API，不必然依赖向量库；更换embedding模型通常需重新生成文档与查询向量。
- 文章未提供任何基准测试、客户案例或量化的成本与效果对比。
- 成本比较需计入开发、运营、评估、维护、存储和工程时间。