公司做了一個可以回答內部規定的 AI。上週《餐費規定》寫「出差餐費每天上限 300 元」，今天改成了 500 元。

要讓 AI 按新規定回答，是改文件就好，還是得重新訓練？

先追一件事：新的「500 元」，會從哪裡進入回答過程？

如果程式把新規定放進這次輸入，模型 (Model) 這次就有資料可以參考，不必為了讀這段文字先改內部數值。但只修改公司原文件，還不能確定模型這次收到的就是新版。

第一條路：把新版文件直接交給模型

你可以把新規定連同問題一起提供：

問題：出差一天的餐費上限是多少？

參考文件：《餐費規定》——每天上限 500 元，報銷需附收據。

這就是模型在本次上下文 (Context) 裡可看到的文字。模型用原有數值處理這份新輸入，稱為推論 (Inference)。

原文件改成 500 元，先前複製出去的 300 元不會自動一起改。 如果仍附上舊文件，這次輸入的依據就還是舊規定。需要重新取得並提供新版內容。

文件不多、整份都與問題有關，而且放得進本次輸入時，可以從這條路開始。先把資料提供清楚，不必一開始就建查找系統。

第二條路：程式先找出相關段落，再交給模型

文件增加到很多份時，程式可以先依問題找出《餐費規定》的相關段落，排除不相干的請假或訪客規定，再把找出的原文與問題一起提供。

這種「先檢索資料，再提供給模型生成回答」的做法，叫做檢索增強生成 (Retrieval-Augmented Generation, RAG)。前面的檢索章已說明如何挑段落；這章先看它與訓練的差別。

RAG 讓本次輸入帶進外部資料，不要求為每次文件更新都重新訓練回答模型。 模型仍然要靠程式把原文送進來。

文件更新後，還要確認「找資料用的那份內容」也已更新。如果系統查的是先前建立的副本或索引 (Index)，就要同步相應資料，避免再次取回舊規定；若直接查目前來源，也要確認取得的版本。RAG 不會只因名字裡有「檢索」，就保證資料永遠最新。

第三條路：用資料繼續訓練，改變模型數值

另一種需求是：希望模型更穩定地按照某種格式回答，例如每次都列出「結論、依據、資料不足之處」。你可以準備多筆要求與示範回答，用它們繼續訓練既有模型。

在已有模型上繼續進行訓練 (Training)，以調整其行為或能力，稱為微調 (Fine-Tuning)。這條路會執行參數 (Parameters) 更新；參數就是模型計算時使用、透過訓練調整的數值。指令學習章已拆過其中一種示範訓練。

它多了一段與前兩條路不同的工作：

準備訓練材料 → 執行訓練、更新數值 → 檢查效果 → 使用調整後的模型。

練習中的「整理訓練示範」只完成第一步，尚未改變模型。真正微調時，依方法可能更新原有的部分或全部參數，也可能訓練另外加入的一小組參數；這些都需要實際執行訓練。

訓練材料也能影響模型記住哪些事實，但不能把微調想成「把文件當成可靠資料表存進去」。寫進材料不保證模型日後精確答出，更不會隨公司原文件自動同步。仍要用未參與訓練的案例檢查。

回到今天的問題：300 元改成 500 元，要改哪裡？

對這份會更新的餐費規定，可以先讓回答拿到新版原文；不必因為公司改了一個金額，就認定必須訓練模型。 文件多到需要查找時，再引入 RAG。

這些方法也能組合。例如用微調改善回答格式，再由 RAG 提供當天有效的規定。微調後，仍可以提供外部文件；使用 RAG，也仍需要檢查回答是否有依據。

參考：Hugging Face 的微調流程、AWS 的 RAG 與微調比較、RAG 原始研究（2026-10-31 查核）。這些資料支持方法的分工與可組合性；不代表任何方法必然答對，或所有系統採用相同的資料更新流程。本章不呼叫外部服務，也不訓練實際模型。