1.6 提示工程、微调与插件：三种优化路径选型指南
1.6 提示工程、微调与插件：三种优化路径选型指南
一、三种优化路径概览
在将GPT能力接入业务时，开发者常面临三种优化路径：提示工程、微调、插件。三者定位不同，适用场景与成本差异显著。本节系统对比三者，帮助你在实际项目中做出正确选型。
二、对比总览
| 维度 | 提示工程 | 微调 | 插件 |
|---|---|---|---|
| 定义 | 通过优化输入文本引导模型行为 | 用业务数据更新模型参数 | 通过外部工具扩展模型能力 |
| 成本 | 低（仅API调用） | 高（训练费用+时间） | 中（开发与维护） |
| 迭代速度 | 快（秒级） | 慢（小时至天） | 中（取决于工具复杂度） |
| 适用场景 | 通用任务、快速验证 | 极致性能、严格格式 | 实时数据、计算、检索 |
| 数据需求 | 无需或少量示例 | 需高质量标注数据 | 需开发/对接外部服务 |
2.1 与《大模型应用开发极简入门》第1.5节的对应
本书第1章「使用插件和微调优化GPT模型」明确三种路径的定位：插件与微调用于扩展能力、适配业务、提升精度；并强调需对比提示工程、微调、插件的适用场景与成本。本节在保持与书中一致的前提下，将「适用场景与成本」细化为表格、决策树与组合方案，便于在项目中直接选型。
三、提示工程（Prompt Engineering）
3.1 核心思路
通过精心设计角色、上下文、任务描述、输出格式等，在不改变模型参数的前提下，引导模型产生符合预期的输出。
3.2 适用场景
- 快速验证想法
- 通用任务（摘要、翻译、分类）
- 预算有限、迭代频繁的项目
3.3 典型技巧
- 角色设定（“你是一名专业翻译”）
- 少样本示例（Few-shot）
- 思维链（CoT）
- 输出格式约束（JSON、Markdown）
四、微调（Fine-tuning）
4.1 核心思路
用业务专属数据对预训练模型进行监督微调，使模型更好地适配特定领域、风格或格式。
4.2 适用场景
- 需要严格输出格式（如固定JSON schema）
- 领域术语、风格高度专业化
- 对延迟、成本有极致要求（可选用更小模型微调）
4.3 成本考量
- 训练成本：按Token计费，数据量越大成本越高
- 推理成本：微调后模型调用价格可能与基础模型不同
- 迭代周期：数据准备→训练→评估，通常需数天
五、插件（Plugins / Tools）
5.1 核心思路
通过函数调用（Function Calling）或插件机制，让模型在推理过程中调用外部工具，获取实时数据、执行计算、访问知识库等。
5.2 适用场景
- 需要实时信息（天气、股价、新闻）
- 需要精确计算（计算器、代码执行）
- 需要访问私有知识库（RAG、数据库查询）
5.3 典型工具
- 搜索引擎
- 数据库/API
- 计算器、代码解释器
- 自定义业务接口