Prompt, RAG sau fine-tuning?

Aceste trei metode schimbă lucruri diferite. Alegerea corectă începe cu natura problemei: instrucțiuni, fapte sau comportament repetabil.

Poți parcurge acest curs fără cont și fără programare. Exemplele sunt sintetice și rezultatele AI trebuie verificate.

Cum funcționează, pas cu pas

Instrucțiuni, cunoștințe și adaptare

Promptul schimbă instrucțiunile și exemplele unei cereri. RAG schimbă dovezile disponibile fără să modifice modelul. Fine-tuning ajustează parametri pentru comportamente sau sarcini repetitive și cere date de calitate și evaluare. LoRA/PEFT antrenează un set redus de parametri pentru o adaptare eficientă. Distilarea transferă comportamentul unui model către altul; cuantizarea reduce precizia numerică pentru rulare mai eficientă, cu compromisuri. Niciuna nu repară automat surse greșite. Pentru reguli care se schimbă des, actualizarea documentelor este de obicei mai ușor de verificat decât reantrenarea.

RAG este acces la dovezi, nu reantrenare

RAG înseamnă retrieval-augmented generation: căutarea furnizează fragmente relevante modelului înainte de răspuns. Ingestia pregătește documentele, iar interogarea caută în index și construiește contextul. Modelul de embeddings reprezintă textul numeric; modelul de răspuns redactează. Rerankerul, vision, graph și router au roluri diferite, când sunt necesare. RAG ajută pentru informație privată sau schimbătoare, dar nu garantează adevărul. Pentru solduri, stoc exact sau permisiuni folosește un API autorizat; un document vechi nu este sursă sigură pentru starea curentă.

Definește succesul înainte de optimizare

Pregătește un set de cereri reprezentative și răspunsuri sau proprietăți așteptate. Include cazuri obișnuite, ambigue, fără date și cu erori de unelte. Pentru RAG măsoară separat găsirea dovezii și corectitudinea răspunsului. Recall@k urmărește proporția dovezilor relevante găsite în primele k rezultate; precision@k urmărește proporția rezultatelor relevante. Pentru agenți urmărește și acțiunile, accesul și oprirea. Un LLM-as-judge poate accelera evaluarea, dar se calibrează față de oameni. Nu modifica simultan promptul, modelul și indexul dacă vrei să înțelegi cauza îmbunătățirii.

Harta vizuală

Urmărește săgețile continue pentru fluxul principal. Săgețile albastre punctate furnizează date sau context; cele roz punctate arată feedback sau rezultate care revin. Culorile și formele disting modelele, stocările, deciziile și rezultatele. Pe ecrane mici, derulează orizontal pentru a urmări întreaga diagramă.

Un exemplu complet

Tonul prea tehnic cere un prompt mai clar. Politica nouă cere surse actualizate și RAG. Un format specializat repetat poate justifica fine-tuning după ce ai evaluat soluțiile mai simple.

Încearcă tu

1. Alege soluția pentru ton, stoc live, politică nouă și format repetabil.
2. Notează intrarea, sursa și rezultatul așteptat înainte să rulezi experimentul. Folosește doar datele fictive din exemplu.
3. Urmărește etapele din diagramă. La fiecare pas scrie ce informație primește și ce produce; nu confunda rezultatul intermediar cu rezultatul final.
4. Repetă cazul după eliminarea unei informații necesare sau după o intrare ambiguă. Verifică dacă sistemul cere clarificare, se oprește sau inventează.
5. Compară cu soluția comentată. Păstrează configurația, data, rezultatul și o explicație pentru orice diferență. Schimbă un singur lucru și retestează.

Soluție comentată

Folosești prompt pentru cerințe, RAG pentru documente și adaptare numai cu date și evaluare adecvate. Pentru a considera exercițiul reușit, poți arăta legătura dintre intrare, etapele parcurse și rezultat. Dacă lipsesc date, un răspuns prudent este mai util decât o completare inventată. Nu compara doar stilul: verifică și condițiile, sursele și operațiile efectuate.

Când merită și ce poate merge prost

Fine-tuning nu este o bază de date live. Alege această abordare când îmbunătățește o nevoie măsurată. Păstrează o variantă simplă ca referință și compară rezultatele pe aceleași intrări. Un singur exemplu reușit nu stabilește fiabilitatea în toate situațiile.

Verifică ce ai înțeles

Fine-tuning este prima alegere pentru stoc actual?

Nu. Folosește o sursă live autorizată pentru informații care se schimbă rapid.

RAG modifică parametrii LLM-ului?

Nu. Furnizează context la cerere; schimbarea parametrilor aparține antrenării.

Ce rezultat trebuie să obții în acest exercițiu?

Folosești prompt pentru cerințe, RAG pentru documente și adaptare numai cu date și evaluare adecvate.

Cuvinte de ținut minte

• Fine-tuning: Adaptarea parametrilor pe exemple specifice.
• Retrieval: Căutarea informației relevante în surse accesibile.
• Regresie / Regression: O schimbare care strică un caz anterior corect.

Surse și următorul pas

• Hugging Face — PEFT
• Lewis et al. — Retrieval-Augmented Generation
• LangGraph — Workflows and agents

Pentru pregătire: P06 — Reasoning și verificare