Inteligência artificial · Na prática · 6 min de leitura
Fine-tuning, RAG ou só prompt? Como decidir
Prompt ensina a tarefa, RAG traz o conhecimento e fine-tuning muda o comportamento do modelo. A ordem certa economiza tempo e dinheiro.
Arraste para o lado para ver o diagrama inteiro.
Prompt
Resolve a maioria dos casos: instruções claras e alguns exemplos. É instantâneo de mudar e não exige dados de treino.
RAG
Use quando o modelo precisa de conhecimento que muda ou é privado: manuais, políticas, catálogo. Atualiza na hora e permite citar fontes.
Fine-tuning
Ajusta os pesos com exemplos seus para mudar o comportamento: um formato rígido, um estilo, uma classificação específica, ou para que um modelo menor (e mais barato) faça o que um maior fazia. Técnicas como LoRA e QLoRA treinam só pequenas matrizes adicionais e cabem em uma GPU. Fine-tuning não é bom para ensinar fatos novos: eles ficam desatualizados e o modelo pode inventar.
Em resumo
- Prompt primeiro: barato e reversível.
- RAG para conhecimento atual ou privado.
- Fine-tuning para comportamento e custo.
- LoRA/QLoRA tornam o ajuste acessível.
Vantagens e custos
- Fine-tuning reduz prompts longos e pode baratear
- RAG mantém fatos atualizados e citáveis
- Fine-tuning exige dados bons e reavaliação a cada modelo novo
- RAG adiciona infraestrutura de busca