Tradução automática Este artigo foi traduzido automaticamente a partir da versão original em inglês.
Fine-Tuning vs RAG vs Prompting: Qual deve usar?
Use prompting para clarificar a tarefa, retrieval-augmented generation (RAG) para fornecer conhecimento atual ou privado e fine-tuning para alterar comportamentos repetíveis do modelo. Estas técnicas resolvem problemas diferentes e, muitas vezes, fazem parte do mesmo sistema.
Comece por estabelecer uma baseline medida com prompting. Adicione RAG quando as respostas precisarem de evidência externa ou de factos que mudam frequentemente. Faça fine-tuning quando as falhas remanescentes forem comportamentos estáveis, como formato, tom, fronteiras de classificação, tool use ou linguagem de domínio, e existirem exemplos revistos em quantidade suficiente.
Última revisão: 2026-08-10. A decisão deve privilegiar o tipo de falha, as necessidades de evidência, a qualidade dos dados, a frequência das atualizações, a latência, o custo operacional e a capacidade de avaliar regressões.
Tabela de decisão
| Problema | Primeira intervenção | Porquê |
|---|---|---|
| As instruções não são claras ou faltam exemplos | Prompting | É a forma mais rápida de testar se o modelo base já tem essa capacidade. |
| Os factos são privados, citados ou mudam frequentemente | RAG | A retrieval atualiza o conhecimento sem novo treino e pode preservar a proveniência das fontes. |
| O comportamento do output está consistentemente errado | Fine-tuning | Exemplos revistos podem ensinar formato, estilo, etiquetas ou comportamento de ferramentas estáveis. |
| O modelo não tem a capacidade subjacente | Alterar o modelo ou o desenho do sistema | Prompting e fine-tuning não conseguem criar de forma fiável uma capacidade inexistente. |
| As respostas precisam de factos atuais e de comportamento especializado | RAG mais fine-tuning | A retrieval fornece evidência, enquanto o tuning altera a forma como o modelo a utiliza. |
Use prompting primeiro
Prompting é o diagnóstico mais barato. Defina a tarefa, o contrato do output, os exemplos, as ferramentas permitidas e as condições de recusa. Construa um pequeno conjunto de avaliação antes de adicionar mais infraestrutura. Se um prompt mais forte corrigir as falhas representativas, fique por aí.
Prompting torna-se frágil quando o prompt transporta uma base de conhecimento extensa, exceções repetidas ou demonstrações longas. Isso é um sinal para mover o conhecimento para retrieval ou o comportamento para dados de treino, e não para continuar a aumentar um único bloco de instruções.
Use RAG para conhecimento e proveniência
RAG é adequado para manuais de produto, políticas, documentos internos, acontecimentos recentes e qualquer resposta que tenha de citar uma fonte. A sua qualidade depende do parsing, chunking, retrieval, ranking, permissões e suporte a citações. Um generator maior não consegue recuperar evidência que a retrieval não encontrou.
RAG não é um método de treino de comportamento. Pode mostrar ao modelo um exemplo ou uma regra, mas não torna esse comportamento estável em todos os pedidos.
Use fine-tuning para comportamentos repetíveis
Fine-tuning é adequado para classificação, estilo de extração, estrutura das respostas, terminologia de domínio e padrões recorrentes de tool use. Requer dados de treino revistos, um conjunto de avaliação separado, versionamento de artefactos e um caminho de rollback. Não faça fine-tuning de factos que mudam frequentemente quando a retrieval os pode fornecer no momento do pedido.
Uma sequência prática
- Defina o sucesso e construa um conjunto de avaliação representativo.
- Estabeleça uma baseline apenas com prompting, utilizando o modelo mais forte aceitável.
- Adicione RAG se as falhas resultarem de evidência em falta ou em mudança.
- Recolha e reveja exemplos das falhas estáveis que permanecerem.
- Faça fine-tuning apenas se o ganho de qualidade, latência ou custo compensar os dados e as operações adicionais do modelo.
- Volte a executar a mesma avaliação depois de cada alteração ao prompt, índice, modelo ou adapter.
Leitura complementar
- Fine-Tuning LLMs aborda dados, LoRA, avaliação e deployment.
- RAG Evaluation Metrics mostra como localizar falhas por etapa da pipeline.
- Context Engineering for AI Agents aborda o contexto de runtime em torno de prompts e retrieval.