ఇవి LLM ను మీరు కోరుకున్న విధంగా చేయడానికి మూడు విధాలు, వేర్వేరు పొరల వద్ద పనిచేస్తున్నాయి: prompting ప్రవర్తనను ఆకారం ఇస్తుంది, RAG జ్ఞానాన్ని ఇంజెక్ట్ చేస్తుంది, మరియు fine-tuning మోడల్ను మార్చుతుంది.
ఇవి LLM ను మీరు కోరుకున్న విధంగా చేయడానికి మూడు విధాలు, వేర్వేరు పొరల వద్ద పనిచేస్తున్నాయి: prompting ప్రవర్తనను ఆకారం ఇస్తుంది, RAG జ్ఞానాన్ని ఇంజెక్ట్ చేస్తుంది, మరియు fine-tuning మోడల్ను మార్చుతుంది.
| Prompt engineering | RAG | Fine-tuning | |
|---|---|---|---|
| మార్పులు | ప్రాంప్ట్ | ప్రాంప్ట్ (+ retrieval) | మోడల్ weights |
| ఎందుకు ఉత్తమం | ప్రవర్తన, ఫార్మాట్, టోన్ | Up-to-date / private facts | సామঞ్జస్యపూర్ణ స్టైల్, narrow tasks |
| జ్ఞానం తాజాపన | N/A | Live (re-index data) | శిక్షణ సమయంలో స్థిరం |
| Cost / effort | అత్యల్పం | మధ్యమ (infra) | సর్వోচ్చ (training + data) |
| అపడేటింగ్ | టెక్స్ట్ను సవరించండి | ఇండెక్స్ను అపడేట్ చేయండి | Re-train |
వ్రాంగ్ టూల్కు చేరుకోవడం ఖరీదైనది: ప్రజలు తరచుగా జ్ఞానాన్ని జోడించడానికి fine-tune చేయడానికి ప్రయత్నిస్తారు (RAG బాగా మరియు cheaper చేస్తుంది) లేదా ప్రవర్తనను సరిదిద్దటానికి (prompting సంభాళిస్తుంది). prompting ప్రవర్తనను ఆకారం ఇస్తుంది, RAG జ్ఞానాన్ని సరఫరా చేస్తుంది, మరియు fine-tuning మోడల్ను మార్చుతుంది అని తెలుసుకోవడం మీరు పని చేసే చcheapest విధానాన్ని ఎంచుకోవడానికి అనుమతిస్తుంది — మరియు వాటిని ఆకస్మికంగా కాకుండా ఉద్దేశ్యపూర్వకంగా కలిపి ఉపయోగించండి.