一句话定义
领域适配是让通用模型在某个目标领域（医疗、法律、金融、代码等）表现更好：可以用继续预训练补知识，用 SFT/PEFT 学行为和格式，或用 RAG 接外部资料。
为什么需要它
通用模型在垂直领域常遇到术语、表达、任务格式和知识密度的差异。直接拿通用模型上线，可能出现答非所问、格式不对或事实过时；领域适配就是缩小这个分布差距。
怎么工作
- 继续预训练：用无标注领域语料更新知识和语言分布，适合知识密集、语料充足的领域。
- SFT / PEFT：用标注的指令-回答对教任务格式和行为；数据少时优先 PEFT。
- RAG：把领域文档检索进上下文，不改权重，适合频繁更新和需要引用的场景。
- 评估：同时看领域效果和通用能力，防止 灾难性遗忘。
关键取舍
- 继续预训练补知识，但成本高、遗忘风险大；RAG 更新快但不改模型行为。
- SFT 学格式，不擅长注入大量新知识；知识密集场景要配合 RAG 或继续预训练。
- 领域数据越垂直，越要保留通用评测，避免“领域变好、通用变差”。
- 数据许可、隐私和标注成本要提前算。
常见误区
- 领域适配只有微调：继续预训练、PEFT、RAG 都是选项。
- 数据越多越好：垂直数据重复、噪声和偏差会放大。
- RAG 可以替代领域适配：RAG 解决知识接入，不改变模型的领域行为。
- 领域效果提升就代表成功：还要看旧任务和通用能力是否回退。
用在哪里
- 医疗、法律、金融、工业、代码等垂直领域。
- 企业私有语料上的问答、抽取、摘要和客服。
- 需要引用、频繁更新知识时优先 RAG；需要稳定行为时用 SFT/PEFT。