🎯 课程主题

梳理大模型应用开发的四个递进场景，串接 Prompt、Function Calling、RAG、微调 的技术选型路线图。

📝 核心知识点

1. 场景一：纯 Prompt 交互

  • 概念说明：最基本的交互模式，程序发送 Prompt 提示词，大模型直接返回响应，一问一答。
  • 关键细节：这是所有大模型应用的起点，也是最熟悉的模式。

2. 场景二：Function Calling（工具调用）

  • 概念说明：当大模型需要在 Prompt 响应之外调用外部系统时（如天气查询、API 调用），即为 Function Calling / 工具调用。
  • 关键细节：
    • 示例：问"明天去杭州出差要带伞吗？"→ 大模型调用墨迹天气 / OpenWeather API → 获取天气数据 → 融合到响应中。
    • 具备工具调用能力后，程序已从纯 LLM 升级为 Agent。

3. 场景三：RAG（知识库增强）

  • 概念说明：在 Prompt 中注入从外部知识库检索到的相关语料，弥补 LLM 的知识盲区。
  • 关键细节：
    • RAG 可作为 Agent 的长期记忆组件出现。
    • 典型应用：智能客服——结合产品文档知识库 + 历史对话记录。
    • RAG 解决的核心问题：知识冻结 + 幻觉。

4. 场景四：Fine-Tuning（模型微调）

  • 概念说明：在特定领域语料上对预训练模型进行额外训练，改变模型本身的参数权重。
  • 关键细节：
    • 为什么是最后的手段：成本高（需要懂微调的专业人才 + 高质量标注语料）、耗时长、且存在微调后幻觉反而更严重的风险。
    • 理想状态：工具调用 + RAG + 微调后的模型 → 幻觉最小、回答最精准。

5. 技术选型递进决策流程

准备测试数据 → 用对话应用验证可行性
    ↓
 语料不足？ → 优先补充 RAG (知识库)
    ↓ 仍不行
 需要外部系统？ → 对接 Function Calling (工具调用)
    ↓ 仍不行
 幻觉仍然存在？ → 尝试 Fine-Tuning (模型微调)
    ↓
 交付用户
  • 关键细节：实际项目开发中的措施远不止这三种，但 RAG → Tools → 微调 是最主要的递进路径。优先选择成本低、见效快的方案。

🏗️ 架构与工作流

纯 Prompt ──→ + Memory ──→ Agent
    │
    ├──→ + Function Calling ──→ Agent（工具调用能力）
    │
    ├──→ + RAG ──→ Agent（长期记忆 / 知识库）
    │
    └──→ + Fine-Tuning ──→ 专有领域 Agent（幻觉最低）

四个场景并非互斥，而是层层叠加的关系：一个成熟的 Agent 应用往往同时包含 Prompt 交互、工具调用、RAG 知识库，甚至在必要时引入微调。

💻 代码实战

本节课以理论讲解为主，无代码实战。

⚠️ 常见问题与避坑指南

  • 不要一上来就微调：微调是成本最高、风险最大的方案，应优先尝试 RAG 和工具调用。
  • 技术选型要递进：从简单的 Prompt 开始，逐步叠加能力，而非一步到位追求大而全。

💡 个人总结与延伸

本节课将前面几节的知识点串联成完整的技术选型体系：Prompt 是基础，工具调用和 RAG 是增强，微调是兜底。实际项目中 80% 的场景通过 RAG + Function Calling 即可解决，只有极少数深度领域定制需求才需要微调。这套递进思维是每个 AI 应用开发者的基本功，也是面试中的高频考点。

最近更新:
Contributors: yangwenguang