知识与样本协同
检索知识负责动态事实，训练样本负责稳定表达与任务方法。
RAFT 检索微调
在检索提供最新事实的基础上，通过高质量样本让模型更熟悉业务表达、任务结构和判断路径，适用于专业性和一致性要求较高的任务。
解决的核心问题让模型不仅找到资料，也学会专业表达与推理方式
CORE CAPABILITIES
核心能力
干扰信息训练
让模型学习从候选资料中识别真正相关依据，减少表面匹配。
业务逻辑内化
通过专家示例学习输出结构、判断步骤和专业术语。
反馈回流
把经过确认的高质量交互沉淀为后续评测或训练资产。
ENGINEERING FLOW
工程实施路径
从业务标准和真实样本出发，每一步都保留输入、输出和验收依据。
- 01确认RAG已具备可靠基础
- 02定义需要内化的任务能力
- 03筛选并标注专家样本
- 04训练与对照实验
- 05独立测试集评估
- 06灰度上线与持续回流
WHEN TO USE
适合什么情况
- 单纯检索仍难形成稳定专业表达
- 任务有清晰方法论和高质量专家样本
- 知识更新与能力内化需要同时兼顾
- 项目具备持续评测和迭代条件
ACCEPTANCE
如何验收
- 与基线方案进行同题对比
- 在独立测试集上达到约定指标
- 事实性问题仍能引用检索依据
- 新知识更新不依赖重新训练全部模型
能力边界
RAFT不是所有项目的必选项。样本不足、任务变化快或轻量问答场景通常优先使用RAG与提示工程。
RELATED PROJECTS
浏览更多案例 →相关技术实践案例
从部分真实项目中查看该技术如何与业务流程、数据和人工复核机制组合。
