大模型调优方法：提示工程、RAGs 与微调对比

前言

每一个搭建大语言模型应用的AI工程师都会面临一个难题，如何选择一个合适调优方法。就算是强大的预训练LLM也可能无法直接满足项目中的特定需求。如项目需要一个特定结构的应用程序，如预训练缺失上下文的重要文件，再比如有特定术语和结构的高专业性的行业领域，面对这些问题，需要有特定的方法来调整LLM。

要决定用哪种调优方法，首先得明白这些方法的含义。

提示工程（Prompt Engineering）

提示工程相对是大家比较熟悉的概念，输入prompt给large language model，大语言模型就根据这个输入来生成回应。然后得到我们想要的结果。这实际上是一种精确的输入方法，旨在引导模型产生相应的输出。大多数情况下prompts指的是文本，尤其是以自然语言来作为描述的文本。

检索增强生成（Retrieval Augmented Generation）

RAG技术通常将客户的原有文档切分成很多片段，理解每一个片段的语义并将其保存在数据库中，通过大语言模型理解用户的查询需求，并将相关的片段从数据库中检索出来，将提示工程与数据库查询相结合以获得上下文丰富的答案。达到提升生成内容的精准度。

微调（Fine-tuning）

微调和前两个不同的地方在于，前面两种技术，不管是提示工程还是RAG，大模型本身是没有任何的变化的，但是如果做微调，其实是要去通过一个训练的过程来修改大模型它本身的参数，使模型能更加专业化。比如，一个语言模型可以在医学文献上进行微调，从而更擅长回答健康护理相关的问题。