1. LoRA

全称低秩适配，是轻量级模型微调技术。不改动主模型核心权重，仅新增并挂载少量低秩矩阵参数，内嵌于模型内部。属于模型层补充，用于固定、约束主模型的生成特征与行为。

2. RAG

全称检索增强生成，是外挂式知识库体系。完全不修改主模型权重，依靠向量数据库存储文本、图像等资料，通过语义检索调取外部信息并输入主模型。属于信息层补充，用于补齐主模型缺失内容、约束生成内容准确性。

3. 共性

二者均作为主模型的补充方案，核心目的是约束主模型，让输出结果符合使用预期。

二、通用大模型领域应用

1. LoRA

可用于文本、图像等全品类大模型。通过少量数据训练后，让模型固化专属能力、风格、人设、输出格式等，长期改变模型生成倾向。

2. RAG

适用于所有生成类大模型。为主模型补充训练集之外的新知识、专业细节、客观事实，解决模型知识老旧、生成内容出现幻觉的问题，不会改变模型本身能力。

三、实用举例

案例1：RAG（通用文本大模型示例）

使用本地文本大模型搭配RAG。提前将企业规章制度、产品参数文档存入向量数据库。用户向大模型提问“查询这款设备的售后保修规则”，大模型自身训练数据无相关内容，RAG先检索数据库内对应的保修条款，将检索到的原文信息拼接后一同传给大模型。大模型依托这份外部资料作答，输出内容准确贴合实际规则，避免编造信息。

案例2：LoRA（ComfyUI 图像生成示例）

基于ComfyUI与Flux图像模型使用LoRA。加载Flux主模型后，接入专门训练的人物LoRA节点。输入简单提示词“人物半身肖像”，LoRA会持续约束模型生成逻辑，固定目标人物的五官、脸型与神态，保证多次出图人物特征统一，不会出现面部变形、人物样貌错乱的情况。