继续阅读顺序

如果你只想把 LLM 应用的判断框架搭起来，按下面顺序读。不要从最热的词开始读，先从问题类型开始。

1. 先判断问题类型

读：四类问题判断表

这页先帮你分清：问题到底是任务没说清、资料没给够、模型能力不够，还是行为偏好不对。后面所有技术选择都应该从这里出发。

如果这一层没分清，后面很容易乱：明明缺资料，却去微调；明明任务太复杂，却继续堆提示词；明明需要工具，却要求模型“认真算”。

2. 再读提示词工程

读：Prompt Engineering 解决什么

提示词工程是最低成本的第一步。它适合定义任务、输入、输出格式、限制和示例。

读完你应该能写出这样的提示词：

• 明确任务目标；
• 标出输入材料；
• 给出输出 schema；
• 写清不能编造；
• 说明信息不足时怎么处理。

3. 然后读 RAG 和向量库

读：RAG 解决什么、Embedding 和 Vector Database 解决什么

当答案依赖公司文档、最新政策、产品说明、合同原文时，就进入资料系统问题。RAG 不是“给模型多塞点文本”，而是文档治理、检索、引用和权限控制。

读完你应该能判断：

• 哪些知识应该放进外部资料库；
• 为什么向量库不是事实库；
• 为什么引用回原文很重要。

4. 再读微调和偏好优化

读：Fine-Tuning 解决什么、SFT / RLHF / DPO / PPO 先怎么理解

微调和偏好优化适合处理稳定任务和长期行为，不适合承载频繁变化的业务知识。

读完你应该能分清：

• 微调更像训练习惯；
• RAG 更像查资料；
• 偏好优化更像调整行为边界；
• 没有评估集就别急着训练。

5. 最后看怎么选

读：提示词、RAG、微调怎么选、常见误解

这两页用来收束：遇到具体问题时先定位层级，再选工具。

读完后你应该形成的判断

• 输出格式乱，先改提示词；
• 缺资料，先做 RAG；
• 需要计算或行动，接工具；
• 任务太长，拆工作流；
• 行为长期不稳定，再考虑微调或偏好优化。

这比背术语有用得多。