直接回答：一句话决策：教模型“知识与事实”用 RAG，教模型“行为与能力”用微调。知识会过时、需要溯源、量大——塞检索；风格、格式、领域术语的表达方式、特定推理模式——靠微调。两个维度都有的场景就组合：微调定行为基线，RAG 供实时知识。
展开解析：决策清单逐项过：数据时效性——知识每周更新选 RAG，微调跟不上更新频率；可解释性——要引用来源的合规场景必须 RAG，微调无法溯源；数据规模——几千条以下选 RAG，微调数据不够反而伤模型；领域术语密度——垂直领域黑话连篇，轻量微调让模型“听得懂”比纯检索有效；隐私合规——数据不能出内网两者都行，但微调后的模型权重本身就是敏感资产要同等管控。成本账：RAG 前期便宜（搭检索链路），长期有推理时延与上下文成本；微调前期贵（数据加工加训练），推理时与普通模型无异。组合模式：先微调让模型掌握领域表达与任务格式，再接 RAG 补事实，注意微调数据里就要带“基于给定资料回答”的样本，否则模型会无视检索结果凭记忆答。反模式提醒：指望微调记住海量产品文档（记不住且过期）、指望 RAG 教会模型输出特定 JSON schema（该用微调）。
追问方向：长上下文模型普及后 RAG 还有必要吗？微调的幻觉如何定量评估？
（约 470 字）