【RAG实战】Prompting vs. RAG vs. Finetuning: 怎样选择LLM应用选择最佳方案

在构建基于大型语言模子（LLM）的应用时，通常不大概立即使用模子而无需任何调解。为了保持高实用性，我们可以选择以下几种方法之一：

• Prompt Engineering（提示工程）
  
• Fine-tuning（微调）
  
• RAG（Retrieval-Augmented Generation，检索加强天生）
  
• 混淆方法（RAG + 微调）
  
  
  
  

影响因素

以下两个紧张因素会影响我们的决定：

• 外部知识需求：你的任务必要多少外部知识。
  
• 顺应性需求：顺应性意味着改变模子的活动、词汇、写作风格等。
  

怎样决定：

• 使用RAG：假如你必要基于自界说知识库天生输出，而且LLM的词汇和写作风格保持稳固。
  
• 使用微调：假如你想要改变模子的结构（活动）而不是知识。
  
• 使用提示工程：假如你没有自界说知识库，也不想改变模子的活动。
  
• 混淆方法（RAG + 微调）：假如你的应用必要自界说知识库和模子活动的改变。