👨⚕️主页： gis分享者
👨⚕️感谢各位大佬 点赞👍 收藏⭐ 留言📝 加关注✅!
👨⚕️收录于专栏：AI大模型原理和应用面试题
文章目录
- 一、🍀回答重点
- 二、🍀扩展知识
一、🍀回答重点
RAG（检索增强生成）和 Fine-tuning（微调）是提升提示词效果的两种不同路径，结合使用能发挥各自优势，达到更好的效果。
RAG 的思路是通过检索来补充知识。在提示词中不直接包含所有知识，而是根据问题检索相关文档，把检索到的内容作为上下文提供给 AI。这样能让 AI 基于最新、最相关的信息回答，而且可以处理超出训练数据范围的问题。RAG 的优势是灵活、实时、可控，知识库更新了，AI 的回答也会跟着更新。
Fine-tuning 的思路是通过训练来内化知识。用特定领域的数据对模型进行微调，让模型学会该领域的知识和表达方式。微调后的模型不需要额外提供知识，它已经"记住"了。Fine-tuning 的优势是响应快、成本低（不需要每次都检索和传递大量上下文）、输出风格更一致。
结合策略：
用 Fine-tuning 来优化基础能力和输出风格，用 RAG 来补充具体知识和实时信息。比如做客服机器人，用企业的历史对话数据微调模型，让它学会企业的话术风格和常见问题处理方式。同时配合 RAG，从知识库检索产品信息、政策文档等实时内容。这样既有好的对话风格，又有准确的知识支撑。
