---
title: "提示工程、RAGs 与微调的对比 [译]"
url: "https://paooo.com/ai-study/7062/"
author: "宝玉的分享"
published_at: "2024-02-12T18:15:19+08:00"
updated_at: "2024-03-09T19:15:22+08:00"
categories: "强化 AI 学习"
tags: "AI编程, RAG检索增强, 大模型微调"
source: "Prompt 语宙 (https://paooo.com)"
ai_tools_directory: "语宙 AI 导航 (https://ai.paooo.com)"
---

# 提示工程、RAGs 与微调的对比 [译]

> 来源：[Prompt 语宙 (paooo.com)](https://paooo.com/ai-study/7062/) · 作者：宝玉的分享 · 发布时间：2024-02-12

## AI 30 秒核心看点 (TL;DR)

- 提示工程负责“怎么问”，输出主要依赖模型已有知识，适合不需要额外知识注入的场景。
- RAG 的核心是“先检索再生成”，更适合接入定制知识库，同时尽量保持模型原有表达风格。
- 微调更偏向改变模型行为、词汇和写作风格；若知识与行为都要定制，混合方案更稳妥。

这篇关于提示工程、RAGs 与微调对比的推文不错，它这个坐标图分成了两个坐标轴：

- 所需要外部知识多少

- 所需要的对模型定制的多少

原推文翻译如下：

提示工程、RAGs 与微调的对比：

这是每位搭建基于大语言模型（LLM）应用的 AI 工程师都面临的关键选择。

要理解这个决策的指导原则，我们首先得明白这些术语的含义。

1️⃣ 提示工程：

所谓提示，指的是你输入的文本，大语言模型就根据这个输入来生成回应。

这实际上是一种精确的输入方法，旨在引导模型产生相应的输出。

模型的输出将基于其已有的知识。

2️⃣ RAGs（检索增强生成）：

当你将提示工程与数据库查询结合，以获得含丰富上下文的答案时，这就是所谓的 RAG。

生成的输出将基于数据库中现有的知识。

3️⃣ 微调：

微调是指使用特定任务的数据调整大语言模型的参数，使其在某一领域内专业化。

比如，一个语言模型可以在医学文献上进行微调，从而更擅长回答健康护理相关的问题。

这就好比对一位已经技艺娴熟的工人进行额外培训，让他们在特定领域成为专家。

那么，我们如何决定采取哪种方法呢？

（阅读下文时请参考下面的图片）

❗️ 有两个关键的指导参数，一个是对外部知识的需求，另一个是模型适应性的需求。

❗️ 尽管前者的含义较为明确，模型适应性则意味着改变模型的行为、词汇、写作风格等。

例如，一个预训练的大语言模型可能在总结公司会议记录时遇到挑战，因为会议中可能穿插了一些特定的内部术语。

🔹 因此，微调更多的是关于改变结构（行为）而非知识，而对于 RAGs 则正好相反。

🔸 当你需要生成基于定制知识库的输出，同时保持大语言模型的词汇和写作风格不变时，你可以选择使用 RAGs。

🔹 如果你不需要上述任一功能，那么提示工程就是你的选择。

🔸 如果你的应用既需要定制知识又需要改变模型的行为，那么采用混合方案（RAGs + 微调）将是更佳选择。

## 常见问题解答 (FAQ)

### 提示工程、RAG 和微调怎么选？
先看两件事：是否需要外部知识，以及是否需要改变模型行为。只需引导输出，用提示工程；要用自有知识库，选 RAG；若还要让模型学会特定风格、术语或行为，优先微调，必要时用 RAG+微调组合。

### RAG 和微调最大的区别是什么？
RAG 主要解决“知识从哪来”，通过检索外部数据库补充上下文；微调主要解决“模型怎么表现”，通过训练数据调整参数，让模型更适合特定任务、语气或领域表达。前者偏知识，后者偏行为。

### 什么时候需要同时用 RAG 和微调？
当应用既要回答基于定制知识库的问题，又要改变模型的输出风格、术语习惯或任务行为时，就适合混合方案。这样既能保证知识准确性，也能让模型更贴合业务场景。

---
探索 2,800+ 全球实用 AI 工具与官方直达入口：[语宙 AI 导航 (https://ai.paooo.com/)](https://ai.paooo.com/)
