Prompt Engineering、RAG、向量数据库、LangChain、LlamaIndex、Fine-tuning 这六项关键的大模型应用技术

我们来系统梳理一下 Prompt Engineering、RAG、向量数据库、LangChain、LlamaIndex、Fine-tuning 这六项关键的大模型应用技术。它们不是孤立的，而是一套从“直接使用模型”到“定制模型能力”的完整技术栈。

---

一、概念速览与定位

技术 一句话解释 解决什么问题 输入 输出
Prompt Engineering 设计更好的输入来引导模型输出 模型不理解任务/格式/约束 自然语言指令 模型响应
RAG (检索增强生成) 让模型先查资料再回答问题 知识过时、缺少私有数据 查询 + 知识库 带引用的答案
向量数据库 高效存储和检索向量（文本嵌入） RAG 中的快速相似度搜索 文本向量 相似文本块
LangChain 编排 LLM 应用的工作流框架 复杂流程（链、记忆、工具）难以手工实现 多组件串联 完整应用
LlamaIndex 专门优化 RAG 的数据框架 数据连接、索引、查询困难 各种文档 检索接口 + 答案
Fine-tuning 用任务数据继续训练模型参数 模型输出风格/知识/能力不满足需求 标注数据集 定制模型权重

---

二、各技术深度解析

1. Prompt Engineering（提示工程）

本质：元编程 —— 用自然语言写的程序。

核心技巧：

· 零样本、少样本（Few-shot）：给出几个例子。
· 思维链（Chain-of-Thought）：让模型先推理再回答。
· 结构化输出：要求 JSON / XML / Markdown。
· 角色扮演：“你是一个资深架构师……”
· 约