myWiki/concepts/prompt-engineering-vs-fine-tuning.md

title, created, updated, type, tags, sources

title	created	updated	type	tags	sources
提示词工程 vs 微调	2026-06-19	2026-06-19	concept	prompt-engineering fine-tuning llm cost-optimization dspy	https://towardsdatascience.com/six-choices-every-ai-engineer-has-to-make-and-nobody-teaches/

提示词工程 vs 微调

两种投资曲线

提示词工程和微调遵循截然不同的投资曲线——不是"哪个更好"的问题，而是"哪个在什么条件下更合适"。

	提示词工程	微调
速度	快（小时到天）	慢（数周）
成本	低	高（GPT-4o 客户支持 ~$1 万 + 6 周）
灵活性	高，易迭代	低，需重新训练
可靠性	脆弱（小输入变化 → 不一致输出）	规模化可靠一致
缩放	好（< 10 万查询）	更好（大批量，任务稳定时）

关键发现

• DSPy 等提示优化工具在部分基准上超过微调 6-19 个百分点，需要的样本数少 35 倍（LLM Stats, 2026）
• 微调在任务稳定且定义明确时，高容量下回报最大
• 差距在逐年缩小——微调已演变为"提示已达上限后的最后一步"

实践框架

1. 从提示词开始
2. 遇到提示无法修复的故障时才升级到微调
3. 低于 10 万查询，提示几乎总是正确的选择

混合模式

生产中越来越普遍：微调解决领域风格和基调 + RAG 作事实基础。两种技术解决不同的问题，互补而非互斥。

参考

• ai-production-tradeoffs
• rag
• nobrega-ai-production-tradeoffs-2026