RAG、提示词优化与微调

核心答案：RAG 补充可检索的外部依据，提示词规定当前任务与输出要求，微调通过训练改变模型的行为分布。 三者可以组合，不能简单按“初级到高级”排序。

先判断失败原因

症状	优先检查	常见干预
不知道刚更新的教材资料	知识是否进入上下文	RAG、资料版本管理
知道事实却不按要求组织	任务说明是否清楚	提示词、示例、结构化输出
大量相似任务持续出现稳定行为偏差	是否有高质量训练与独立评测数据	评估微调
译名违反地区规则	规则是否显式加载与校验	规则引擎与业务校验

微调不保证精确记住每条知识，也不会自动提供来源。RAG 检索正确同样不保证生成忠实引用。这里的判断来自任务链路分析，需要用评测验证，不能只靠名称判断效果。

输入与输出

RAG 输入查询与元数据条件，输出带来源的片段；提示词输入规则、示例与任务，影响本轮生成；微调输入训练样本和基础模型，输出模型或适配器参数，再用于推理。OpenAI 的优化说明建议围绕评测迭代，而不是先选训练方案。

最小例子：区分知识缺失与执行错误

cases = [
    {"evidence_present": False, "follows_format": True},
    {"evidence_present": True, "follows_format": False},
]
for c in cases:
    action = "先修检索" if not c["evidence_present"] else "检查提示与约束"
    print(action)

这是诊断分类演示，不是自动判断模型质量的评测器。真实实验应人工标注证据是否充分、输出是否支持结论，再统计不同错误。

教材项目的组合

教材资料经 RAG 提供；术语、地区与角色规则直接加载；生成格式由 Schema 约束；独立评审检查业务问题。当前学习系统不实施微调，因为没有已确认的训练集、基线收益和训练资源。若以后出现大量固定格式或风格错误，可以先采集教研修订样本，划分训练与测试集，再比较提示词方案与训练方案。

切勿把同一教材的近重复片段分到训练集和测试集，再宣称泛化提升。应按文档、主题或时间隔离，并同时观察正确性、成本与延迟。见核心学习主线。

自测与误区

设计三个失败案例：过期资料、漏掉词汇字段、译名不一致。分别说明要修改资料、Schema 还是规则；给出修改后可观察的证据。验收不是能背出三个定义，而是能定位改动层次。

“用了 RAG 就没有幻觉”“微调能替代数据库”“更长的提示词总更好”都不成立。上下文有预算，来源有噪声，训练也可能放大不良样本。

官方资料与版本边界

• OpenAI Model optimization：评测、提示词与训练的关系。
• OpenAI Embeddings：检索后把信息放入上下文。
• Hugging Face PEFT：参数高效训练的实现入口，属于扩展阅读。

核验日期：2026-11-03。微调是通用方法，不等于某厂商当前向所有账户提供训练服务。核验时 OpenAI 上述页面已提示部分能力进入 legacy；实际可用性需要另行确认，本项目不依赖该服务。