核心原则
能用 Prompt 解决的不上 RAG，能用 RAG 解决的不微调。越简单的东西，维护成本越低，出问题越快能修。
四种方案一张图
你的需求是什么？
├── 只想让 AI 在某个任务上输出得更好 → Prompt 工程（零成本）
├── 让 AI 回答基于公司文档 → RAG（先查资料再回答）
├── 让 AI 执行多步操作（查+判断+执行） → Agent（AI+工具+自主决策）
└── 让 AI 学会行业专有术语和风格 → 微调（最后的选择）
分别的代价
| 方案 | 实施难度 | 成本 | 见效 | 维护 |
|---|---|---|---|---|
| Prompt | ⭐ | 零 | 即时 | 零 |
| RAG | ⭐⭐ | 数万元 | 1-2 周 | 中 |
| Agent | ⭐⭐⭐ | 数万-数十万 | 2-4 周 | 高 |
| 微调 | ⭐⭐⭐⭐ | 数万-数十万 | 2-8 周 | 很高 |
四个快速判断
什么时候用 RAG（80% 的场景） - 你需要 AI 基于公司私有文档回答 - 你需要回答能追溯到原文出处 - 你需要最新的信息（文档更新 = AI 立刻更新）
什么时候用 Agent - 不只是「回答问题」，还要「执行操作」（查订单、退款、发邮件） - 场景是封闭的、可验证的（代码生成、数据查询） - 错误成本可以接受（关键操作有人工审核）
什么时候用微调 - Prompt 工程试过了，效果不理想 - 你有至少几百条高质量标注数据 - 行业术语特别特殊（医学、法律、金融合规） - 需要非常固定的输出格式
什么时候只用 Prompt - 90% 的场景——先试，大概率就够了
真实案例
某零售企业想做智能客服——一开始以为需要微调。我们分析后发现： - 用 RAG（产品手册当知识库）→ 就解决了 90% 的问题 - 用 Prompt（定义客服角色的语气和边界）→ 解决了剩下的 10% - 成本：几万元、两周上线 - 如果一开始选微调：几十万、两个月。拿到的是几乎一样的效果
这个案例的核心教训：别一开始就选最复杂的方案。从最简单的开始——发现问题再逐步升级。