【深度学习新浪潮】垂域知识问答模型能力提升：微调、智能体架构，还是两者兼得？

1. 引言在构建垂域知识问答系统时，团队常面临一个核心决策：模型在领域知识上的表现不够理想，究竟是该微调模型，还是采用智能体（Agent）架构，抑或两者结合？本文结合知识问答类场景的典型痛点，梳理微调与智能体架构（尤其是 RAG 检索增强）各自的适用边界，并给出可落地的组合方案与决策路径。2. 知识问答类场景的典型瓶颈在动手选型之前，先明确知识问答系统普遍面临的三个问题：领域知识缺失：通用模型对行业术语、内部规范、产品文档了解有限，回答往往泛泛而谈，甚至出现编造。知识更新滞后：领域知识频繁变化（如政策法规、产品版本、FAQ 更新），固化在模型权重里的知识无法及时同步。回答不落地：即便模型「知道」知识，也难以结合具体上下文（如用户历史、当前场景）给出精准、可执行的答案。这三个瓶颈分别指向不同的解决手段：知识缺失与更新滞后更适合用检索增强解决，而回答范式与领域表达则更适合用微调解决。3. 为什么优先考虑智能体架构（RAG）