核心技术对比框架（基础概念）(一) 技术本质与定位Prompt Engineering：话术指挥家，通过设定角色、格式、示例等引导模型在既有知识边界内优化输出方式，解决“如何回答更规范”的问题。RAG（检索增强生成）：外部记忆体，让模型从私有知识库（产品文档、工单、政策邮件等）检索相关片段生成答案，解决“答案准确性与时效性”的问题。微调（Fine-tuning）：能力重塑器，通过训练数据调整模型参数，让模型“固化工作习惯”，解决“高稳定性、标准化输出”的问题。(二) 关键特性对比表

维度

Prompt Engineering

RAG

微调

核心价值

规范输出格式与风格

注入新知识、保证事实准确性

提升特定任务的稳定性与专业性

知识边界

无法突破模型既有知识

可接入外部动态知识

改变模型参数，固化新知识

实施成本

低（无需训练资源）

中（需构建知识库与检索系统）

高（数据标注、训练资源、评估成本）

迭代速度

快（即时调整prompt）

中（知识库更新即可）

慢（需重新准备数据、训练评估）

典型缺陷

存在“幻觉”，无法处理新知识

依赖检索质量，检索错误则答案错误

存在灾难性遗忘风险，通用能力可能下降

业务场景实践案例（应用解析）(一) 智能客服知识问答项目核心需求：准确回答产品功能、政策条款、故障排查等具体且动态变化的问题。技术演进路径：初期：纯Prompt方案策略：设定“专业客户专家”角色，提供标准回答格式，加入示例。效果：通用问题表现尚可，无法处理上周更新的政策或冷门错误代码，出现“幻觉”。结论：仅解决“怎么回答”，未解决“答案是什么”的根本问题。中期：引入RAG增强机制：接入私有知识库（产品文档、历史工单、政策邮件），检索相关片段生成答案。效果：事实类问题准确率提升35个百分点，解决知识欠缺与时效性问题。关键依赖：检索系统质量（检索不到/错误则答案失效）。(二) 工单自动化分类与摘要项目任务特点：高频率、结构稳定、风格要求高度一致（每日数万封工单，需分至支付问题、物流查询、账号异常等类别，并生成标准化摘要）。技术选择：全参数微调数据规模：1万条人工清洗标注的历史工单。效果：F1值达95%以上，输出稳定性显著提升。代价：成本高（数据标注+训练资源），迭代慢（政策/规则变动需重新训练）。 业务选择决策框架（落地策略）(一) 技术选择优先级基础层：先用Prompt设定基本规则与角色（低成本快速启动）。增强层：对需事实依据的场景，叠加RAG保证答案准确性与可追溯性（解决知识时效性）。优化层：仅当子任务需肌肉记忆般稳定输出（如分类、格式化生成）且规模化价值大时，考虑微调（需严格评估投入产出比）。(二) 组合应用原则主流方案：面向用户的复杂AI应用以Prompt+RAG组合为主（平衡效果与成本）。微调定位：仅用于成熟且垂直的子工序（如标准化分类、固定格式生成），需警惕模型快速迭代导致的投资浪费风险。 补充细节Prompt局限性根源：本质是引导模型“思考方式”，而非注入新知识，因此无法突破预训练知识边界。RAG成功关键：知识库构建质量（文档拆分粒度、索引优化）与检索算法（向量匹配精度）直接决定效果上限。微调决策考量：需评估“模型迭代速度”与“任务稳定性”的匹配度，避免在快速变化的场景中投入微调资源。