AI 入門第八課

Prompt、RAG、微調,該用哪一個?

AI 結果不好,不代表要換更大模型。先找出是指令、資料,還是固定行為出了問題。

閱讀時間11 分鐘
學習目標分清 Prompt、RAG、Fine-Tuning 各自解決的問題。
重點整理缺指令用 Prompt;缺資料用 RAG;缺穩定行為才考慮微調。

視覺速記

AI 改善方法的三種路徑
Prompt、RAG、微調各有位置,先選對問題再動手。
依問題根源選擇 AI 方法
指令模糊、資料缺失、輸出不穩,對應的解法不同。
準備高品質範例資料進行微調
微調靠大量一致的好範例,不是把新文件硬灌進模型。

先診斷,不要先加技術

同樣是「AI 回得不好」,原因可能完全不同。拿新產品資料問它卻答錯,是資料問題;叫它寫客服回覆卻漏格式,是指令或行為問題。先看根源,才不會花大錢做錯方向。

三種方法,各解決什麼?

Prompt

解決任務、角色、限制與格式不清楚。最快、最便宜,永遠先試。

RAG

解決最新、私有或需要引用的資料不足。讓 AI 先讀可靠來源再回答。

Fine-Tuning

解決穩定語氣、固定格式或重複行為。需要大量一致的高品質範例。

一張選擇表

你看到的問題先試什麼為什麼
回答方向不對、格式漏掉Prompt通常是要求、對象、限制或成功標準沒有說清楚。
不知道新規則、內部文件或產品資料RAG缺的是可用知識,不是說話方式。
每次都要特定口吻或嚴格結構先 Prompt,再評估 Fine-Tuning先證明 prompt 不夠穩,再投入資料整理與訓練成本。
任務需要多步驟與外部工具第 9 課的 Agentic Workflow問題是流程設計,不是單一模型回答。

微調不是知識庫

新手最常誤用的地方

不要為了讓 AI 記住公司文件而急著微調。文件會更新、可能有權限問題,也難以追溯答案來源。需要最新或私有知識,優先做 RAG;微調只在你已經有大量一致範例,且要穩定複製語氣或格式時才值得考慮。

80 分鐘教學流程

0-15
min

挑一個真實失敗案例

拿一段 AI 答得不好的內容,保留原始問題、輸入資料與期待結果。

15-30
min

判斷根源

是指令不清、資料缺少、行為不穩,還是流程太複雜?

30-50
min

先做最小測試

先改 prompt;若缺資料,再提供可靠來源。每次只改一件事。

50-65
min

比較結果

用同一組問題比較前後版本,記錄準確度、格式與人工修改量。

65-80
min

決定下一步

只有需求穩定、範例量足夠時,才把微調列入下一階段。

跟著做:同一題跑三輪診斷

選一個你已經遇過的失敗案例。以下用「根據退款規則寫一封客服回覆」示範;重點是每輪只改一件事,才能知道改進來自哪裡。

1

先寫測試卡

在筆記中固定寫下:使用者問題、現有規則、期待輸出(120 字內、禮貌、有下一步)、不可說的話,以及一個你認定正確的答案。這張卡之後三輪都不能換。

2

第一輪:只改 Prompt

要求 AI 扮演客服、限制字數、列出回覆結構,並附上一個好範例。若它開始遵守格式,問題主要是指令,不要急著做 RAG。

3

第二輪:加入核准規則

把退款規則連同版本日期貼給 AI,要求它只根據規則回答並標示引用。若第一輪內容看似通順但規則答錯,問題主要是資料,這就是第 7 課的 RAG 情境。

4

第三輪:判斷要不要微調

拿同一套格式連測 5 個不同問題。只有在資料已足、Prompt 已清楚、仍然反覆失去特定語氣或 JSON 格式,且你手上已有大量人工審核的好範例時,才把微調列為下一階段。

每輪記錄你要看什麼
格式有沒有稱呼、字數、下一步與禁止內容。
正確性是否符合你提供的規則;沒有規則時是否承認不知道。
人工修改量你要改幾句才可用。改很多,先回到 Prompt 或資料。
下一步填「改 Prompt/補資料/拆流程/收集範例」,只選一項。

實作案例:客服回覆為什麼不穩?

第一版判斷

如果只是忘記加稱呼、語氣不一致,先用 prompt 加上格式與好範例。

資料與流程變化

如果常問退換貨規則、訂單狀態,先用 RAG 與工具查詢;不是直接微調。

可複製模板

這是 AI 表現不好的案例: - 任務:[任務] - 原本的指令:[Prompt] - 可用資料:[文件、表格、規則] - 期待結果:[成功標準] - 實際問題:[錯誤或不穩定現象] 請幫我判斷根源比較像: 1. 指令不清楚 2. 缺少最新或私有資料 3. 需要穩定複製特定語氣或格式 4. 任務其實需要多步驟流程 請先建議成本最低的測試方法,並說明為什麼暫時不需要用其他方法。

驗收與課後作業

再挑兩個日常任務,分別標記「先改 Prompt」「先補資料」或「先拆流程」。這比背名詞更重要。

Cheat Sheet

Prompt

讓 AI 聽懂要做什麼。

RAG

讓 AI 看得到可靠資料。

Fine-Tuning

讓 AI 穩定學會一種行為;不是資料倉庫。

FAQ

什麼時候才值得微調?

當任務已穩定、prompt 測過仍不夠一致,而且你有大量已審核的高品質輸入輸出範例時。

RAG 和微調可以一起用嗎?

可以,但先分別證明各自需要。RAG 處理知識,微調處理行為;不要為了看起來完整而同時上。

選了錯的方法怎麼辦?

先回到同一組測試問題,確認問題根源。方法選錯通常不是失敗,而是讓你更清楚缺的是什麼。

課程導覽