先判断你要改变的是知识，还是模型的行为。需要频繁更新并展示出处，优先做 RAG；需要稳定改变输出格式、语气或某类任务习惯，才考虑微调。两种需求同时存在，可以让 RAG 提供事实，让微调后的模型按固定方式使用事实。
四个条件先做选择
| 条件 | 优先 RAG | 优先微调 |
|---|---|---|
| 资料更新 | 政策、价格、产品文档经常变 | 任务模式长期稳定 |
| 回答需出处 | 必须回链原文或片段 | 重点是格式、语气或分类习惯 |
| 错误修复 | 替换或下架文档即可 | 要重新准备样本并训练、验证 |
| 目标 | 补充私有或最新事实 | 塑造模型行为 |
AWS 的官方选型说明也把 RAG 用于引用自定义文档、减少过时信息，把微调用于专门任务，并指出二者可以组合。参见 AWS：RAG 与微调比较。DeepSeek 当前可用模型和接口能力应以 DeepSeek API 官方文档为准，不要把聊天模型名称当成嵌入或微调能力的证明。
用一张决策表落地
- 列出 20～50 条真实请求，标注每条需要的证据文档、允许的答案和禁止编造项。
- 把“事实没找到”和“找到了但回答格式不对”分开统计。前者先改检索，后者才可能需要提示词或微调。
- 对需要引用的请求，要求返回文档 ID 和片段；没有证据时明确拒答。
- 对稳定格式任务，先用结构化输出或少量示例建立基线，再决定微调是否值得。
怎么验证选择没有走偏
拿一批真实请求，按下表给每项标记：检索是否命中、答案是否被证据支持、格式是否合格、知识更新后是否立刻生效。同一批请求分别走基线、RAG 和候选微调方案，只比较相同输入。若知识问题占主导却直接微调，资料变更后仍要重训；若检索一直正确但输出结构不稳，继续扩大向量库也解决不了行为问题。
边界
本文没有替读者执行 DeepSeek 微调或生产压测，也不假设 DeepSeek 官方 API 提供某个未在文档列出的训练端点。费用、模型清单和接口能力会变化，实施前应重新核对官方文档。
Ai菜鸟网。发布者：AI小管家，转载请注明出处：https://www.alyyhw.com/32247.html
