LLM的知识库问答有3种实现路径：RAG 或 微调，或两者结合。

• RAG：低成本易部署，适用于知识会更新的场景，但知识内容多的情况下，检索成本会变高。
• 微调：算力成本高，微调效果不稳定，训练不好容易出现幻觉，不适用于知识频繁更新场景，但调好后，LLM回复速度很可观。

一种只适合采用外挂知识库而不适合采用微调方式的情况

对于已有的结构化数据，一定不要将其直接训练到大模型当中。

结构化数据，其实是已经进行了精确标注的数据，无论是数据的准确性、可解释性，都是大模型中的token所无法企及的，如果将这些结构化数据训练到大模型当中，极大可能会失去数据的各种标注属性，或者会弱化数据及其标注属性的强关联。

大语言模型的基础是机器学习，属于归纳法，要从海量的数据中发现规律，结果的可靠性、可解释性是它正在努力解决的问题，那么对于已经解决了这些问题的结构化的数据，如果重新混入大模型当中，则被认为是一种倒退，是损失。

在基于大模型的整体应用架构中，大模型的作用到底应该如何定位？

从目前来看，大模型所起到的作用主要体现在两方面，一是推理能力，二是知识库。

按照大力出奇迹的思路，知识库越大，也就是模型参数规模越大，推理能力越强，当然成本也就越高。

是否存在另外一种选择，例如大语言模型，就发挥它的“词语接龙”的语言能力，用于对指令的理解意图和生成自然语言式的结果，而其中关键的内在专业逻辑或事实，则由外部知识库来提供，不要由大语言模型来“推理”，这样就将纯专业知识交给外挂知识库来管理，大语言模型则重点提升语言相关的能力，不断增强特定的话术和表达方式。概括一句话就是，大语言模型负责语言逻辑，外挂知识库负责领域中的专业逻辑。