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。
視覺速記



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
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。
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?
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。
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。
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。
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。
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。
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。
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
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。