Prompt engineering، RAG، اور fine-tuning کے درمیان کیا فرق ہے، اور آپ ہر ایک کو کب استعمال کرتے ہیں؟

Question

Accepted Answer

یہ ایک LLM کو وہ کام کرانے کے تین طریقے ہیں جو آپ چاہتے ہیں، **مختلف سطحوں** پر کام کرتے ہوئے: prompting *رویہ* کو تبدیل کرتا ہے، RAG *علم* داخل کرتا ہے، اور fine-tuning *ماڈل* کو تبدیل کرتا ہے۔

## تینوں طریقے

- **Prompt engineering** — instructions، context، اور مثالوں کے ذریعے ماڈل کے رویے کو تشکیل دیں۔ ماڈل کے بارے میں کچھ نہیں بدلتا؛ آپ صرف بہتر طریقے سے بات کرتے ہیں (system prompts، few-shot examples، output format)۔ سب سے سستا اور تیز ہے؛ آپ کا **پہلا حربہ**۔
- **RAG (retrieval-augmented generation)** — query کے وقت، متعلقہ دستاویزات (vector store، database، یا search سے) حاصل کریں اور انہیں prompt میں شامل کریں۔ ماڈل اس فراہم کردہ context *سے* جواب دیتا ہے۔ بہترین جب علم **بیرونی، نجی، یا بدلتا ہوا** ہو۔
- **Fine-tuning** — اپنی مثالوں پر ماڈل کی تربیت جاری رکھیں، اس کے **وزن** کو ایڈجسٹ کریں۔ یہ مستقل انداز، شکل، یا محدود مہارت کو بناتا ہے۔ طاقتور لیکن مہنگا اور **جامد** — علم تربیت کے وقت منجمد ہے۔

## موازنہ

| | Prompt engineering | RAG | Fine-tuning |
|---|---|---|---|
| **تبدیلی** | Prompt | Prompt (+ retrieval) | Model weights |
| **بہترین** | Behavior، format، tone | اپ ٹو ڈیٹ / نجی حقائق | مستقل انداز، محدود کام |
| **علم کی تازگی** | N/A | لائیو (دوبارہ انڈیکس ڈیٹا) | تربیت کے وقت منجمد |
| **لاگت / کوشش** | سب سے کم | درمیانی (infra) | سب سے زیادہ (training + data) |
| **اپڈیٹنگ** | متن میں ترمیم | انڈیکس اپڈیٹ کریں | دوبارہ تربیت دیں |

## فیصلہ کی رہنمائی

- **prompting** کے ساتھ شروع کریں — پہلے اسے مفت حل کریں۔
- کیا آپ کو وہ حقائق چاہیے جو ماڈل نہیں جانتا، یا جو بدلتے ہیں (دستاویزات، قیمتیں، اندرونی ڈیٹا)؟ **RAG** استعمال کریں۔
- کیا آپ کو پیمانے پر قابل اعتماد انداز/شکل یا تخصصی کام کی ضرورت ہے، اور prompting کافی مستقل نہیں ہے؟ **Fine-tune** کریں۔
- یہ **ملتے ہیں**: ایک fine-tuned ماڈل RAG اور ایک اچھے prompt کے ساتھ production میں عام ہے۔

## اہمیت کیوں ہے

غلط ٹول استعمال کرنا مہنگا ہے: لوگ اکثر علم شامل کرنے کے لیے fine-tune کرنے کی کوشش کرتے ہیں (جو RAG بہتر اور سستا کرتا ہے) یا رویے کو ٹھیک کرنے کے لیے (جو prompting سنبھالتا ہے)۔ یہ جاننا کہ **prompting رویہ تشکیل دیتا ہے، RAG علم فراہم کرتا ہے، اور fine-tuning ماڈل کو تبدیل کرتا ہے** آپ کو وہ سستا طریقہ منتخب کرنے دیتا ہے جو کام کرے — اور انہیں مقصد کے ساتھ ملایا جائے بجائے اتفاق سے۔

	Prompt engineering	RAG	Fine-tuning
تبدیلی	Prompt	Prompt (+ retrieval)	Model weights
بہترین	Behavior، format، tone	اپ ٹو ڈیٹ / نجی حقائق	مستقل انداز، محدود کام
علم کی تازگی	N/A	لائیو (دوبارہ انڈیکس ڈیٹا)	تربیت کے وقت منجمد
لاگت / کوشش	سب سے کم	درمیانی (infra)	سب سے زیادہ (training + data)
اپڈیٹنگ	متن میں ترمیم	انڈیکس اپڈیٹ کریں	دوبارہ تربیت دیں