Αυτοί είναι τρεις τρόποι για να κάνετε ένα LLM να κάνει αυτό που θέλετε, λειτουργώντας σε διαφορετικά επίπεδα: το prompting διαμορφώνει συμπεριφορά, το RAG εισάγει γνώση, και το fine-tuning αλλάζει το .
Αυτοί είναι τρεις τρόποι για να κάνετε ένα LLM να κάνει αυτό που θέλετε, λειτουργώντας σε διαφορετικά επίπεδα: το prompting διαμορφώνει συμπεριφορά, το RAG εισάγει γνώση, και το fine-tuning αλλάζει το .
| Prompt engineering | RAG | Fine-tuning | |
|---|---|---|---|
| Αλλάζει | Το prompt | Το prompt (+ retrieval) | Τα weights του μοντέλου |
| Καλύτερο για | Συμπεριφορά, μορφή, τόνο | Ενημερωμένα / ιδιωτικά γεγονότα | Συνεπές στυλ, στενές εργασίες |
| Νεότητα γνώσης | N/A | Live (re-index data) | Παγωμένη κατά τον χρόνο εκπαίδευσης |
| Κόστος / προσπάθεια | Το χαμηλότερο | Μεσαίο (infra) | Το υψηλότερο (training + data) |
| Ενημέρωση | Επεξεργασία κειμένου | Ενημέρωση του index | Επανεκπαίδευση |
Η χρήση του λάθος εργαλείου είναι δαπανηρή: οι άνθρωποι συχνά προσπαθούν να κάνουν fine-tune για να προσθέσουν γνώση (την οποία το RAG κάνει καλύτερα και φθηνότερα) ή να διορθώσουν συμπεριφορά (την οποία το prompting χειρίζεται). Το γεγονός ότι γνωρίζετε ότι το prompting διαμορφώνει συμπεριφορά, το RAG παρέχει γνώση και το fine-tuning αλλάζει το μοντέλο σας αφήνει να επιλέξετε την φθηνότερη προσέγγιση που λειτουργεί — και να τα συνδυάσετε σκόπιμα αντί για τύχη.