小周带你正确理解Prompt-engineering,RAG,fine-tuning工程化的地位和意义

最新推荐文章于 2025-12-24 18:27:47 发布
原创 最新推荐文章于 2025-12-24 18:27:47 发布 · 1k 阅读 · 13 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#prompt #人工智能

本文讨论了在自然语言处理中，如何通过prompt-engineering、Fine-tuning和RAG技术来优化LLM模型，强调了清晰的指令和context对解决问题的重要性，以及这些技术在解决复杂任务和知识生成中的作用。

有人会说："小周，几天不见这么拉了，现在别说算法了，连code都不讲了，整上方法论了。" 

      我并没有拉！而且方法论很重要，尤其工程化的时候，你总得知道每种技术到底适合干啥，其实主要是现实中，我在项目里发现大家对这块其实并不是分的很清楚。

      所以我来给大家捋一捋，因为这毕竟直接取决于你设计的解决方案是否能真正解决问题

图片

       如上图所示，OpenAI把对于优化LLM返回结果分为两个方向，一个方向是横坐标系的对LLM 模型本身的优化，另一个是对你提供的Context的优化

  •       在对LLM本身的优化上没啥可弄的，最后就只能走到Fine-tuning这一条路

  •      在对本身的Context进行优化的方式，我们一般起手式是先prompt-engineering

  •     prompt-engineering不好使了，我们会借助RAG来实现额外的能力和知识

      我们先来把几个概念再捋一下

prompt-engineering

图片

      上图就是一个不清晰的prompt的典型，没有清晰的system message定义，得到的回应也是特别的随机，并且没有清晰的format

图片

      优化上面的prompt，从几个维度入手：

  • 首先肯定是要指令变得更清晰

  • 其次用COT的方式提问让它拆解复杂的任务

  • 顺便告诉LLM你要什么样输出的回答格式

    </
最低0.47元/天 解锁文章
周博洋K
关注
RAG与Fine Tuning：如何选择正确的方法
mama19971023的博客
08-06 1004
什么是检索增强生成_（RAG）_？什么是Fine Tuning？什么时候使用检索增强生成_（RAG）_？检索增强生成使用案例什么时候使用Fine Tuning？Fine Tuning使用案例如何在RAG与Fine Tuning之间做出选择。
LLM大语言模型优化方法简介：Prompt、RAG、Fine-tuning
lhx17673139267的博客
07-19 1394
大型语言模型（如GPT、LLama、Gemini）在准确性、知识更新速度和答案透明度方面存在挑战，常用的解决优化方法：Prompt Engineering（提示词工程）、Retrieval-Augmented Generation（RAG，检索增强生成）和Fine-tuning（微调）。每种方法都有不同的层次和特点。：通过使用标准提示词、Few-shot提示词和XoT提示词（如CoT和ToT），来提高模型的回答精准度。RAG：模型首先从文档库中寻找相关信息，然后使用这些信息来生成回答或文本。
Prompt、RAG、Fine-Tuning差异性详解
2401_85328934的博客
12-17 1357
在日常使用大模型的时候，我们经常遇到一个问题，就是prompt提问、检索增强生成（RAG）提问和微调（Fine-Tuning）场景，当然大模型的本质都是输入-模型推理-输出，三个流程，那么这三个场景具体有什么差异性呢
大语言模型优化方法简介：Prompt、RAG、Fine-tuning
2401_82469710的博客
06-17 2376
大型语言模型（如GPT、LLama、Gemini）在准确性、知识更新速度和答案透明度方面存在挑战，常用的解决优化方法：Prompt Engineering（提示词工程）、Retrieval-Augmented Generation（RAG，检索增强生成）和Fine-tuning（微调）。每种方法都有不同的层次和特点。：通过使用标准提示词、Few-shot提示词和XoT提示词（如CoT和ToT），来提高模型的回答精准度。RAG：模型首先从文档库中寻找相关信息，然后使用这些信息来生成回答或文本。
一文彻底搞懂大模型 - Prompt Engineering、Function Calling、RAG、Fine-tuning
python1234567_的博客
09-16 1392
Prompt Engineering，即提示工程，是指设计和优化输入给大型语言模型（LLM）的文本提示（Prompt）的过程。这些提示旨在引导LLM生成符合期望的、高质量的输出。
Prompt Engineering ,Fine-tuning , RAG ？
Alexa_的博客
05-14 1578
Q1：假如我想搞一个自己的知识库助手，选择那种方式比较合适？A1： 以我目前的了解来看，假如只是在微调和RAG里面选择。我会主要看个人需求。RAG适用于知识需要快速更新的领域，对实时性要求不是特别高的应用场景。微调适合的领域为数据量较小但质量高的领域。对模型效果有较高要求，且可以承担相应计算资源消耗的场景。领域知识比较独特，需要模型深入学习的场景。所以，假如你想要做一个简单的智能知识助手，不要求精准度，而且以个人使用为主，那我建议你可以使用rag技术。
AI大模型优化方法简介：Prompt、RAG、Fine-tuning
huang9604的博客
11-19 2567
GPT、LLama、Gemini等大语言模型虽展现出强大能力，但在实际应用中仍有问题，例如在准确性、知识更新速度和答案透明度方面，仍存在挑战。
ai-rag-prompt-engineering-interview-questions.md
07-10
本文件涵盖了AI大模型应用、检索增强生成（RAG）、提示词工程的面试题目，目的是考察候选人对这些领域的理论知识和工程实践能力。面试题内容丰富，包含了系统架构与应用、高级RAG与生产实践、RAG系统运维评估与安全...
全球首款填空式AI绘画提示词工具PromptFill正式发布
holdcloud的博客
12-24 217
《PromptFill革新AI绘画提示词创作》 全球首款填空式AI绘画提示词工具PromptFill正式上线，将专业提示词拆解为7大标准化模块，通过填空交互降低90%入门门槛，使新手无需专业语法知识即可生成准确度达85%的专业提示词。该工具内置10大行业500+艺术风格模板，支持自定义保存，提升创作效率3倍。PromptFill打破了AI绘画技术壁垒，推动行业建立标准化提示词规范，为AI绘画的普惠化发展和多元化商业应用奠定基础。
从“个人高效”到“团队飞跃”：Prompt商城
wshzd的博客
12-24 361
3. 开展一次“协同实验”：在团队的一次会议或一个短期项目中，引入1-2个工具，解决一个具体的协作痛点（如会前资料阅读、会议决策记录）。在团队协作的关键摩擦点（信息同步、决策拍板、成果汇总）上，预先部署好AI工具，就像在交通枢纽建立立交桥，能让团队能量的“流通效率”倍增。未来的竞争，不是个体天才的竞争，而是一群普通人如何通过精妙的数字工具，组合成远超个体之和的“超级有机体” 的竞争。它们将隐性的、口头的约定，编译成显性的、可执行的数字协议，让协作有章可循。
Anaconda 无法找到 Anaconda Prompt 的原因
主要分享关于C++学习中遇到的问题，请多多指教~
12-20 145
部分用户通过国内镜像站下载Anaconda时可能遇到找不到Anaconda Prompt的问题，这通常是由于下载了过于陈旧的版本所致。由于镜像站的版本排序方式不规范（最新版可能出现在列表任意位置），建议用户：1）如需特定版本应直接锁定下载；2）寻找最新版时需仔细查看整个版本列表，重点关注版本号和发布日期信息。该问题常见于清华镜像站等非官方下载渠道。
LangChain 中少样本提示（Few-shot Prompting）
KIKI3666的博客
12-21 698
少样本提示（Few-shot Prompting）是一种通过在提示中提供少量“输入-输出”示例（即“few-shot examples”），来引导大语言模型（LLM）按照指定风格或逻辑回答新问题的技术。特性（文本）（聊天）适用模型OllamaLLMOpenAI非聊天接口ChatOllamaChatOpenAI输入类型str格式化方法.format()示例格式是否支持角色不支持支持 system/human/ai若只需简单问答 → 使用若需多轮对话 → 使用。
《Prompt Engineering》
PLANTTHESON的博客
12-22 910
《Prompt Engineering白皮书》摘要（147字） 这份谷歌2025年发布的权威指南系统阐述了提示工程的核心技术。关键要点包括： 基础配置：掌握温度、Top-K/P等参数调节输出特性 10大技术体系： 基础技术：零样本/少样本提示、角色设定 进阶方法：思维链(CoT)提升推理，自一致性优化准确性 复杂决策：Tree of Thoughts实现多路径探索 最佳实践：需结合任务特性选择技术，如创意任务调高温度，逻辑任务用CoT+自验证。提示工程能显著提升LLM输出质量，无需专业ML背景即可掌握。
LangChain 中 Prompt 模板
KIKI3666的博客
12-21 646
用于构建多轮对话式提示（聊天格式）：用于构建简单的文本提示模板两者都支持变量填充和参数化处理，但适用场景不同。专为聊天机器人设计，遵循通用聊天消息格式（如 OpenAI API 格式）。每条消息必须包含role和content字段。支持多轮对话结构，适合复杂交互任务。适用于单次文本提示，不涉及对话历史。支持变量插值{variable}，可动态替换内容。可显式声明变量，也可自动推断。特性用途多轮对话、聊天场景单次文本提示必需字段rolecontent仅template支持角色。
Agent基础：大模型交互与推理技术Prompt 工程、Function Calling、ReAct、Self-Refine
最新发布
sweet_ran的博客
12-24 400
本文系统介绍了提升大语言模型(LLM)交互与推理能力的四项核心技术：Prompt工程通过优化输入提示引导模型输出；Function Calling使模型能调用外部工具；ReAct通过推理-行动闭环增强决策能力；Self-Refine实现自我迭代优化。这些技术可组合使用，将LLM从被动回答者转变为主动思考执行者，共同构成智能Agent的"认知骨架"：Prompt作为语言接口，Function Calling提供执行能力，ReAct负责行动规划，Self-Refine实现自我纠错。文章详细解
我要搞个ai程序操控鼠标，截取屏幕，识别刀路，给ai一个刀路寻找规则的prompt，然后ai自己去按规则顺序点亮刀路
misuseds的博客
12-21 608
你提出的“AI 自主点亮刀路”本质上是智能制造中“感知-决策-执行”闭环的微型实现。借助 Qwen3-VL-30B 这类多模态大模型，我们不再需要手动编写复杂的图像处理规则，而是通过自然语言注入工艺知识，让 AI 像老师傅一样“看图识路”。配合pyautogui的自动化控制，即可构建一个低成本、高智能的刀路验证助手。正如11所述：“AI 让设备拥有了火眼金睛和智慧大脑”——你的项目正是这一理念的绝佳实践。
LLM - 从 Prompt 到 Context：2026 Agent 时代的核心战场
小工匠
12-20 1408
2025年大模型Agent从概念走向爆发，但多数产品仍停留在Demo阶段。Anthropic在AWS re:Invent上提出了2026年Agent发展的三大方向：更强的模型能力、可长时运行的Agent以及GUI操作能力，并提出以Context Engineering为核心的方法论。关键突破包括模型能力显著提升（SWE-bench得分从49%到80%）、成本逻辑从单价思维转向任务总成本思维，以及安全能力的强化。Agent与传统Workflow的根本区别在于运行时决策权归属，其本质是"模型+工具+循
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值