Ces techniques résolvent des problèmes différents. Le prompt clarifie une tâche, le RAG apporte des connaissances récupérées au moment de la requête et le fine-tuning modifie durablement le comportement du modèle. Les combiner sans diagnostic augmente coût et complexité.
Commencer par le prompt
Utilisez instructions claires, quelques exemples et une sortie structurée pour définir le comportement. Cette option est rapide, réversible et peu coûteuse. Si le modèle sait accomplir la tâche mais manque de contexte privé ou récent, n’entraînez pas : ajoutez une source de données.
Utiliser le RAG pour les connaissances
Le RAG convient aux documents actualisés, citations et données propres à l’utilisateur. Il permet mise à jour ou suppression sans nouvel entraînement. Il exige ingestion, droits d’accès, récupération et évaluation. Une mauvaise recherche ne sera pas réparée par un meilleur prompt final.
Fine-tuner un comportement répétitif
Le fine-tuning devient pertinent pour un style, format, classification ou comportement spécialisé qui persiste malgré de bons prompts. Il faut des exemples de qualité et un test séparé. Il n’est pas la meilleure base de connaissances et ne garantit pas une restitution exacte des faits appris.
Arbre de décision
- La consigne est-elle claire ? Améliorez le prompt.
- Les informations manquent-elles ou changent-elles ? Ajoutez un RAG ou une API.
- Le comportement reste-t-il insuffisant sur une tâche stable ? Évaluez le fine-tuning.
- Le problème combine-t-il connaissances et comportement ? Utilisez RAG et adaptation, mais mesurez chaque ajout séparément.
FAQ
Quelle solution coûte le moins cher ?
Le prompt pour commencer ; le coût final dépend du volume, du contexte et de l’exploitation.
Le fine-tuning réduit-il la taille des prompts ?
Il peut intégrer des comportements répétitifs, mais il ne supprime pas toujours contexte et règles.
Peut-on utiliser les trois ?
Oui lorsque chaque couche résout un problème prouvé.