大模型记住了错误的事实——比如把某家公司的 CEO 记成了上一任——想要纠正，通常只能重新训练，成本高得不成比例。知识编辑（Knowledge Editing）就是为这种场景提出的技术：在不重训的前提下，定点修改模型里的某一条知识。它解释了「模型答错为什么难改」这件事，也解释了业界为什么更常用检索来绕开它。
一句话理解：定点修改一条知识
知识编辑指不改动全部参数，只针对性地修改模型中与某条知识相关的部分，让模型对该问题的回答从错误变成正确。它的核心诉求是「改得准、不误伤」：既要把目标知识改对，又尽量不要影响其他无关能力。可以把它理解为对大语言模型的一次「定点手术」，而不是推倒重来。
为什么需要它：重训太贵
知识会过时：人事变动、政策更新、价格调整，都需要及时修正。但为了改一个事实去重新训练整个模型，成本完全不成比例——一个模型的参数量可能高达数十亿，重训一次动辄需要大量算力和时间。知识编辑的吸引力正在于，它试图只付出「改一条」的代价，去解决「错一条」的问题。此外，它也为纠错提供了更快的路径：发现模型说错时，不用等下一次全量训练。
它是怎么做的：定位再修改
知识编辑的主流思路可以概括成两步：先定位，再修改。定位，是找到模型里负责这条知识的参数或表示；修改，是定向调整这些参数，让目标知识更新、其他能力尽量不变。具体方法有多种，有的直接调整参数，有的在推理时叠加一个「修正项」，还有的通过构造编辑样本引导模型更新。目标一致，都是把改动限制在最小范围。
| 编辑思路 | 大致做法 | 优点 | 风险 |
|---|---|---|---|
| 直接调参数 | 定位相关参数后定向更新 | 改得直接、可落地 | 可能误伤相邻知识 |
| 推理时修正 | 推理阶段叠加一个修正项 | 不改底层参数 | 覆盖面有限、易失效 |
| 编辑样本引导 | 用构造样本让模型自我更新 | 操作相对轻量 | 改不干净、易回退 |
四类局限：为什么它还落不了地
知识编辑目前更多停留在研究方向，落地仍有四道坎。第一是改不干净：改了之后，模型在其他相关问题上可能仍按旧知识回答，比如改了「现任 CEO」，问「上一任是谁」时又露馅。第二是误伤：调整可能波及其他不相关的知识。第三是难以批量：它适合改少数几条，不适合大规模知识更新，改一百条的成本未必比重训低。第四是效果不稳定：不同模型、不同知识条目的编辑效果差异很大，没有统一的可靠度。
它做不到什么：改不干净与误伤的边界
需要讲清楚的是，知识编辑目前不能把一条知识干净利落地「替换」掉。模型的知识是分布式存储在大量参数里的，一条事实往往牵涉多个位置，定点修改很难同时改全；改多了又容易误伤。因此，它更适合当作研究上的尝试，而不是生产环境里可依赖的更新手段。一旦知识需要频繁、大规模更新，它就会失效——这正是它的能力边界。
业界为什么绕开它：检索现查现答
既然「把知识硬改进去」这么难，业界的常见做法是干脆不改模型，而是让模型在回答时「现查现答」。典型做法是检索增强生成（RAG）：把最新知识放在外部知识库问答系统里，模型答题前先去查，查到再组织语言。这样知识更新只发生在外部知识源，模型参数完全不动。与之相比，知识图谱则是把结构化的事实关系存起来，供模型查询时使用。这些做法都绕开了「改模型」这个难题，也解释了为什么知识编辑至今仍不是主流。
速查：知识编辑要点
- 本质：不重训，定点修改模型里的某一条知识。
- 思路：先定位、再修改，追求改得准、不误伤。
- 四类局限：改不干净、误伤、难批量、效果不稳定。
- 主流替代：用检索（RAG）让模型现查现答。
对普通用户来说，知识编辑解释了「模型为什么认错难改」：答案并非模型不想改，而是知识长在参数里、牵一发动全身。你更常体验到的，其实是检索方案——AI 客服、智能助手「先查资料再回答」，就是在绕开知识编辑这个难题。
