Traduction automatique Cet article a été traduit automatiquement depuis la version originale en anglais.
Fine-tuning, RAG ou prompting : lequel choisir ?
Utilisez le prompting pour clarifier la tâche, la génération augmentée par récupération (RAG) pour fournir des connaissances à jour ou privées, et le fine-tuning pour modifier le comportement reproductible du modèle. Ces techniques répondent à des problèmes différents et sont souvent combinées au sein d’un même système.
Commencez par établir une baseline mesurée avec un prompt. Ajoutez du RAG lorsque les réponses nécessitent des éléments de preuve externes ou des faits qui évoluent fréquemment. Effectuez un fine-tuning lorsque les échecs restants correspondent à des comportements stables, comme le format, le ton, les frontières de classification, le tool use ou le langage du domaine, et que vous disposez d’un nombre suffisant d’exemples vérifiés.
Dernière révision : 2026-08-10. La décision privilégie le type d’échec, les besoins en éléments de preuve, la qualité des données, la fréquence des mises à jour, la latence, le coût d’exploitation et la capacité à évaluer les régressions.
Tableau de décision
| Problème | Première intervention | Pourquoi |
|---|---|---|
| Les instructions manquent de clarté ou les exemples sont absents | Prompting | C’est le moyen le plus rapide de vérifier si le modèle de base dispose déjà de la capacité requise. |
| Les faits sont privés, doivent être cités ou évoluent fréquemment | RAG | La récupération met à jour les connaissances sans réentraînement et peut préserver la provenance des sources. |
| Le comportement en sortie est systématiquement incorrect | Fine-tuning | Des exemples vérifiés peuvent enseigner un format, un style, des labels ou un comportement avec les outils de manière stable. |
| Le modèle ne possède pas la capacité sous-jacente | Changer de modèle ou de conception système | Le prompting et le fine-tuning ne peuvent pas créer de manière fiable une capacité absente. |
| Les réponses nécessitent des faits à jour et un comportement spécialisé | RAG plus fine-tuning | La récupération fournit les éléments de preuve, tandis que le fine-tuning modifie la manière dont le modèle les exploite. |
Utilisez d’abord le prompting
Le prompting est le diagnostic le moins coûteux. Définissez la tâche, le contrat de sortie, les exemples, les outils autorisés et les conditions de refus. Constituez un petit jeu d’évaluation avant d’ajouter davantage d’infrastructure. Si un prompt plus performant corrige les échecs représentatifs, arrêtez-vous là.
Le prompting devient fragile lorsque le prompt contient une vaste base de connaissances, des exceptions répétées ou de longues démonstrations. C’est le signal qu’il faut déplacer les connaissances vers la récupération ou le comportement vers les données d’entraînement, plutôt que de continuer à allonger un même bloc d’instructions.
Utilisez le RAG pour les connaissances et la provenance
Le RAG convient aux manuels produits, aux politiques, aux documents internes, aux événements récents et à toute réponse qui doit citer une source. Sa qualité dépend de l’analyse, du découpage en chunks, de la récupération, du classement, des permissions et de la prise en charge des citations. Un générateur plus volumineux ne peut pas reconstituer des éléments de preuve que la récupération n’a pas trouvés.
Le RAG n’est pas une méthode d’entraînement du comportement. Il peut montrer au modèle un exemple ou une règle, mais il ne rend pas ce comportement stable pour toutes les requêtes.
Utilisez le fine-tuning pour un comportement reproductible
Le fine-tuning convient à la classification, au style d’extraction, à la structure des réponses, à la terminologie du domaine et aux patterns récurrents de tool use. Il nécessite des données d’entraînement vérifiées, un jeu d’évaluation tenu à l’écart, le versionnage des artefacts et une procédure de rollback. Ne faites pas de fine-tuning sur des faits qui évoluent fréquemment lorsque la récupération peut les fournir au moment de la requête.
Une séquence pratique
- Définissez les critères de réussite et constituez un jeu d’évaluation représentatif.
- Établissez une baseline uniquement avec un prompt et le modèle le plus performant acceptable.
- Ajoutez du RAG si les échecs proviennent d’éléments de preuve manquants ou obsolètes.
- Collectez et vérifiez des exemples des échecs stables qui subsistent.
- N’effectuez un fine-tuning que si le gain en qualité, en latence ou en coût compense les efforts supplémentaires liés aux données et aux opérations sur les modèles.
- Relancez la même évaluation après chaque modification du prompt, de l’index, du modèle ou de l’adapter.
Pour approfondir
- Fine-Tuning LLMs présente les données, LoRA, l’évaluation et le déploiement.
- RAG Evaluation Metrics explique comment localiser les échecs selon l’étape du pipeline.
- Context Engineering for AI Agents présente le contexte d’exécution autour des prompts et de la récupération.