【RAG实战】Prompting vs. RAG vs. Finetuning: 如何选择LLM应用选择最佳方案
在构建基于大型语言模型（LLM）的应用时，通常不可能立即使用模型而无需任何调整。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，检索增强生成）
- 混合方法（RAG + 微调）
影响因素
以下两个重要因素会影响我们的决策：
- 外部知识需求：你的任务需要多少外部知识。
- 适应性需求：适应性意味着改变模型的行为、词汇、写作风格等。
如何决定：
- 使用RAG：如果你需要基于自定义知识库生成输出，并且LLM的词汇和写作风格保持不变。
- 使用微调：如果你想要改变模型的结构（行为）而不是知识。
- 使用提示工程：如果你没有自定义知识库，也不想改变模型的行为。
- 混合方法（RAG + 微调）：如果你的应用需要自定义知识库和模型行为的改变。