想让 AI 学会你自己的数据？
这周群里有条本地新闻：有成员查到，Anthropic 在新西兰注册了公司（新西兰公司注册处有记录）。头部 AI 公司开始在本地落地——而几乎同一时间，群里另一场讨论也绕着"本地"转，只不过这次是技术层面：怎么让 AI 学会你自己的数据？
话头是一位从基督城来的新成员起的：
"群里有没有人在研究 self-learning 的 AI 系统？比如让 AI 把一个系统里所有的数据库、Laravel model 自己学会，然后用户可以去问它这个系统里的所有信息。" —— 群友（Christchurch）
这是几乎每个想给自己业务上 AI 的人都会撞到的问题。韦红松一句「自建本地知识库？」先点出了方向，群里的讨论随后收敛出三条现实的路。
三条路：RAG、LORA、本地部署
把文档切块、建向量索引，提问时先检索出相关段落，再让模型基于这些段落回答。最主流、最快上手，答案有出处。群里多位成员的第一反应都是它。
给大模型挂一个轻量的 LORA 适配器，用你的领域数据训练，让模型"记住"你的专业。数据太专、太多时，比纯 RAG 更贴合。
本地 embedding + 向量索引 + 本地大模型——数据全程不出内网。这正好接上上一篇《数据能不能出国？》：涉 PII 的行业，让 AI 学会数据的前提，是数据不出境。
先搞懂几个词
讨论里飞了一堆术语。如果你是非技术背景，先花一分钟把这几个词弄明白，后面就好懂了：
- RAG（检索增强生成）
- AI 回答前，先去你的资料库里"查资料"，把最相关的段落找出来喂给它，再作答。好处是答案有出处、资料随时能更新、不用重新训练模型。
- Embedding（向量化）
- 把一段文字变成一串数字（向量），意思相近的文字数字也相近。这是"按意思检索"的地基——搜"怎么退款"能找到写着"退货流程"的段落，靠的就是它。
- 向量库 / 向量索引
- 专门存这些数字向量的数据库。提问时它能在海量段落里，秒级找出意思最接近的几段。
- LORA（低秩适配微调）
- 不动原模型，给它挂一个很小的"外挂补丁"，用你的数据训练这个补丁，让模型带上你的领域知识与风格。比重训整个模型便宜得多。
- Gaussian Splatting（高斯泼溅）
- 群里聊到的 3D 街景重建技术：用一大团带颜色的"光点云"表示空间，能从普通照片重建出可自由转视角浏览的 3D 场景。
RAG 到底行不行？
讨论里出现了分歧，也正是最有价值的地方。有成员泼了冷水：
"感觉 RAG 出来的效果不好。科研项目做论文库用过，但和 Claude 这种超大参数模型一起用，有点多余。" —— 满天星
Rorschach 补充了更细的判断：数据太专太多时，还是得找个开源模型做 LORA 或加 RAG；他还提到 Claude 有个 "dream" 功能，但本质还是在整理上下文。胡小奕也建议，RAG 可以先拿一些开源方案试试看。
Arthur 的回应，是这场讨论里最实用的一段——它把"RAG 行不行"这个是非题，拆成了一组工程参数：
"不能只是说 RAG 的效果不行。它有很多实现方式。真正要考虑的是：知识库的大小、形态（文字和图片类的，还是视频类的）、以及 embedding 的方式。这些参数调整不同，都会影响模型输出的效果。" —— Arthur
换句话说，"RAG 不好用"往往不是 RAG 的错，而是知识库形态和 embedding 没调对。同样一套 RAG，喂纯文本和喂图文混排，效果天差地别。
前沿一瞥：不用 RAG 的新方向
有意思的是，Arthur 正好在研究一个可能颠覆这套流程的新架构——Google 开源的 Always-On Memory Agent。它的主张很激进：不要向量库、不要 embedding、不要 RAG，只让一个 LLM 持续不断地读、想、写，就能构建出真正可用的长期记忆。
它最像人脑的一点：有个组件会每 30 分钟自主运行一次，像人在睡眠中整理白天的记忆一样，回顾未整合的信息、寻找关联、生成跨领域的洞察——不需要任何提示词。它自己生成过的一条洞察，恰好点破了这件事：
"AI 工具的下一个瓶颈，是从静态 RAG 向动态记忆系统的转型。"
不过别急着抛弃 RAG。这类新架构还很早期，而 RAG 仍是当下最成熟、最可控、出错也最好排查的方案。知道有新方向在路上，比盲目追新更重要。
更深一层：四种范式之争
把这场讨论拉高一层看，"让 AI 用上你的数据"其实有四种范式，它们解决的是不同的问题——想清楚区别，选型就不会乱：
知识放在模型外面，用时现查。知识可随时更新、答案有出处、成本低——但模型每次只看到检索命中的碎片，缺乏全局理解，检索没命中就答不好。
2026 年主流模型的上下文窗口已到百万 token 级，很多场景可以把整份资料直接塞进去让模型一次读完。简单直接，但更贵、更慢，而且资料一多，中间部分容易被"读漏"（大海捞针问题）。
把知识和风格训进模型权重，让它"成为"某个领域的专家。擅长塑造风格与专业语感，但知识固化、更新要重训，而且常常学会了腔调却记不准事实。
如 Always-On Memory，让 AI 持续读写、自主整理记忆。最接近人类意义上的"真正学会"，但目前最不成熟、最难控制。
真正的前沿趋势，不是"谁取代谁"，而是融合：长上下文让 RAG 少检索几次、每次给得更全；Agentic RAG 让 AI 自己决定何时查、查几轮、要不要换个问法再查；GraphRAG（把知识连成图谱再检索）补上了普通 RAG 缺的全局关联；而记忆架构想把这一切整合成一个会自我进化的系统。四条线正在往中间走。
但对本地落地的中小企业，务实的顺序反而很清晰：先用 RAG 跑通（便宜、可控、有出处）；数据大而专了，再上 LORA；需要全局理解时，用上长上下文；记忆架构这类，放进观察清单，别拿生产系统当小白鼠。技术选型的成熟度，永远要匹配你能承受的试错成本。
没有唯一答案
这场讨论和上一篇《数据能不能出国？》是一条线的两截：数据留在本地之后，下一个问题就是怎么让本地的 AI 真正"学会"这些数据。RAG、LORA、本地部署，还是新的记忆架构——选哪条，取决于你的数据规模、形态和场景，不存在一个放之四海皆准的答案。