LoRA 是在模型内部权重矩阵旁插入低秩模块，Prefix/Prompt-Tuning则是通过在输入或注意力前缀插入可训练向量实现轻量微调。

A:RAG（，检索增强生成）是一种结合向量检索和大模型生成的技术，让模型在回答问题时动态接入外部知识库，从而提高事实性可解释性和领域适应性。：用户查询：检索到的文档：候选文档集合：相关性概率：基于文档生成答案的概率大模型参数静态→ 知识无法实时更新原始预训练数据有限 → 专业/小众领域知识不足减少“幻觉”（生成不符合事实的内容）降低训练成本 → 无需全量微调，只需维护知识库一句话总结“RAG通过检

A:RAG（，检索增强生成）是一种结合向量检索和大模型生成的技术，让模型在回答问题时动态接入外部知识库，从而提高事实性可解释性和领域适应性。：用户查询：检索到的文档：候选文档集合：相关性概率：基于文档生成答案的概率大模型参数静态→ 知识无法实时更新原始预训练数据有限 → 专业/小众领域知识不足减少“幻觉”（生成不符合事实的内容）降低训练成本 → 无需全量微调，只需维护知识库一句话总结“RAG通过检

A:RAG（，检索增强生成）是一种结合向量检索和大模型生成的技术，让模型在回答问题时动态接入外部知识库，从而提高事实性可解释性和领域适应性。：用户查询：检索到的文档：候选文档集合：相关性概率：基于文档生成答案的概率大模型参数静态→ 知识无法实时更新原始预训练数据有限 → 专业/小众领域知识不足减少“幻觉”（生成不符合事实的内容）降低训练成本 → 无需全量微调，只需维护知识库一句话总结“RAG通过检