Prompt、RAG、微调还是重新训练？选择正确的生成式 AI 的方法指南_机器学习 rag

这里不包括 “按原样使用模型” 选项，因为几乎没有任何业务用例可以有效地使用基础大模型。原封不动地使用基础大模型可以很好地用于一般搜索，但如果要做好特定的业务，则需要考虑上述选项之一。

---

二、主要内容

比较是如何进行的？分析是基于以下指标进行的：

• 准确性（回答的准确程度如何？）
• 实施复杂性（实施过程有多复杂？）
• 工作量（需要多少努力来实现？）
• 总拥有成本（TCO）（拥有解决方案的总成本是多少？）
• 更新和更改的便利性（架构是否耦合度低？替换

/

{/}

/升级组件是否容易？）

假设：我们将根据这些指标对每种解决方案进行评估，并且分析仅适用于比较，而不是普遍适用。例如：如果针对某个指标，提示工程被评为低分，意味着它在该指标上的表现低于其他选项，并不一定意味着它在该指标上普遍表现差。

首先让我们来谈谈最受关注的问题：哪种方法提供了最准确的回答？

• 提示工程（Prompt Engineering）的核心是在提供尽可能多的上下文信息的同时，通过提供少量示例（few-shot learning）来更好地让大模型了解您的用例。虽然结果在孤立情况下看起来令人印象深刻，但与本文中讨论的其他方法相比，它产生的结果最不准确。
• 检索增强生成ÿ