预计阅读：30 分钟 | 学习目标：理解四种技术的定位、差异、适用场景和选型决策
全景图
复杂度 ↑
│ 微调（改模型本身，最重）
│ Agent（模型调用工具、自主执行多步任务）
│ RAG（先查资料再回答）
│ Prompt Engineering（优化提问方式，最轻最高频）
└──────────────────────────→ 实施难度
核心原则：能用 Prompt 解决的不用 RAG，能用 RAG 解决的不用微调。
一、Prompt Engineering（提示词工程）
本质：不修改模型，只优化输入方式。零成本、即时生效。
六个核心技巧： 1. 角色设定：让模型以特定身份回答 2. 结构化输出：明确输出格式 3. 分步推理（Chain-of-Thought）：让模型「先想再说」 4. Few-shot：给 2-3 个范例 5. 约束设定：限制字数、风格、禁用词 6. 反面说明：明确告诉模型不要做什么
二、RAG（检索增强生成）
本质：回答前先去知识库检索相关文档，基于文档内容生成答案。
流程：用户提问 → 在知识库中检索相关文档片段 → 把文档+问题一起发给 LLM → LLM 基于文档生成答案。
关键组件： - 检索器（Retriever）：从知识库找到最相关的文档片段（技术本质是向量相似度搜索） - 生成器（Generator）：LLM 本身
适用场景：企业智能客服、内部知识问答、合同审查——任何需要基于私有文档准确回答的场景。
局限：检索质量决定回答质量；不适合需要跨文档综合推理的任务；文档预处理占了 60% 工作量。
三、Agent（智能体）
本质：不仅仅回答问题，还能使用工具、自主决策、完成多步骤任务。
公式：Agent = LLM + 工具调用 + 决策循环 + 记忆
核心能力： - 任务规划（分解复杂目标） - 工具调用（搜索、API、数据库、代码执行） - 自我纠错（结果不对→检查→调整→重试）
现状（2026）：封闭+可验证的任务上表现好（代码、数据库查询）；开放+模糊的任务仍不稳定。多步任务的「错误累积」是核心瓶颈——5 步每步 95% 正确率 = 最终 77%。
四、微调（Fine-tuning）
本质：用你自己的数据在已有大模型上做二次训练，注入领域特定能力。
能做什么：领域术语注入、输出风格统一、任务专化。
代价：需要至少几百条高质量标注数据；基座模型升级后微调版要跟着重做；数据质量远比数据数量重要。
什么时候该用：Prompt 试过了不够好 + 有足够的高质量标注数据 + 领域术语特别特殊。
五、选型决策树
客户要做什么？
├── 只是想让 AI 在通用任务上表现更好 → Prompt 工程
├── 需要基于私有文档准确回答 → RAG
├── 需要执行多步骤操作（查+判断+操作）→ Agent
├── 需要学习领域特定知识和风格 → 先试 Prompt → 不够用再微调
└── 不确定 → 从 Prompt 开始，不行加 RAG，再考虑 Agent，最后微调
六、大模型对比（2026）
| 模型 | 核心优势 | 最适合 |
|---|---|---|
| 豆包 Pro | C 端数据飞轮+AI原生生态 | 内容创作、智能客服 |
| DeepSeek-V4 | 极致性价比+开源最强 | 成本敏感、技术能力强 |
| Qwen | 开源生态最全+阿里云底座 | 已在阿里云上的企业 |
| Kimi | 长上下文王者 | 长文档分析 |
| GPT-5 | 全球综合最强 | 海外场景、能力对标 |
没有「最好」的模型，只有最适合这个场景的模型。
本文对应学习路线图第二层：AI 落地技术。上一个学习目标：大语言模型深度解析：从GPT到DeepSeek。