قبل از هر چیز: مسئله را دقیق تعریف کنید
بیشتر پروژههای LLM نه به مدل بزرگتر نیاز دارند و نه به فاینتیون؛ به تعریف درست مسئله. قبل از انتخاب تکنیک سه پرسش را جواب بدهید: خروجی مطلوب دقیقاً چه شکلی است؟ چه دانشی لازم است که در مدل عمومی نیست؟ و موفقیت را با چه سنجهای اندازه میگیرید؟ اگر سنجهٔ موفقیت نداشته باشید، هیچوقت نمیتوانید بگویید RAG کافی بوده یا نه.
RAG چه زمانی کافی است
وقتی مشکل شما «دانش» است — یعنی مدل باید از اسناد، مستندات یا دادههای بهروز شما جواب بدهد — RAG اولین و ارزانترین انتخاب است. یک بازیاب سادهٔ برداری، تکهبندی (chunking) معقول و یک پرامپت سیستمی تمیز معمولاً ۸۰٪ نتیجه را میدهد. نکتهٔ کلیدی: کیفیت RAG بیشتر از مدل، به کیفیت بازیابی بستگی دارد؛ اگر تکهٔ درست به مدل نرسد، قویترین مدل هم نمیتواند درست جواب دهد.
فاینتیون چه مسئلهای را حل میکند
فاینتیون رفتار را عوض میکند، نه دانش. اگر مشکل شما سبک پاسخ، قالب خروجی خاص، اصطلاحات تخصصی حوزه یا هزینهٔ توکن است، آداپتور سبک (LoRA) روی یک مدل باز معمولاً کافی است. اگر مشکل «نمیداند» است، فاینتیون نکنید؛ دانش را با RAG وارد کنید. نسخهٔ رایج در عمل: RAG برای دانش + فاینتیون سبک برای رفتار.
ارزیابی را قبل از عملیات بسازید
بدون ارزیابی، هر تغییر پرامپت یا مدل یک قمار است. یک مجموعهٔ کوچک از سؤالهای طلایی (۵۰ تا ۲۰۰ مورد) با جواب مرجع بسازید و هر نسخه را روی همان اجرا کنید: دقت، پوشش، ردِ محترمانهٔ سؤالهای بیجواب و تأخیر. این مجموعه باید از شکستهای واقعی کاربران بزرگ شود — هر باگ جدید، یک سؤال طلایی تازه.
عملیات: هزینه، تأخیر و افت کیفیت
در محیط عملیاتی سه چیز خراب میشود: هزینه (با کش و مدل کوچکتر برای کارهای ساده کنترل کنید)، تأخیر (پاسخ را استریم کنید و بازیابی را موازی اجرا کنید) و افت کیفیت تدریجی (مانیتور کنید، نمونهی پاسخها را هر هفته بازبینی کنید و برای تغییر رفتار ارائهدهنده آماده باشید). سیستم LLM یک محصول زنده است، نه تحویل یکباره.
