RAFT：让大模型在“开卷考试”中精准答题的秘诀

---

“当大模型被要求只能参考企业内网文档答题时，它还能像在通用场景那样侃侃而谈吗？”
—— 这是过去一年里，我们在服务金融、医疗、制造等行业客户时，被问到最多的问题。今天，答案来了：RAFT（Retrieval Aware Fine-Tuning）。

---

一、为什么通用 RAG 不够用了？

在通用问答场景里，大模型可以调用搜索引擎、百科、GitHub，无所不包。
但在企业落地时，知识边界被严格限定：

• 只能看内部 Wiki
• 只能读代码仓库
• 只能查私有药品说明书

这就从“开放域开卷考试”变成了“限定域开卷考试”。
传统 RAG 的痛点立刻放大：

场景	通用 RAG	限定域 RAG
检索范围	全网	千级/万级文档
检索精度	80% 可用	95% 才可用
幻觉风险	低	极高（一旦检索错，直接胡说）
训练数据	公开 QA	需自建

---

二、RAFT 的三板斧：数据配方、思维链、抗干扰

RAFT 由 UC Berkeley Gorilla 团队提出，目标只有一个：让模型在限定文档集合内，闭卷也能答对，开卷更能答准。
其核心设计可以总结为“三板斧”。

<