Дообучение или поиск для получения знаний предметной области
Когда следует дообучать модель, а когда использовать поиск? Изучите компромиссы, расходы и структуру принятия решений для добавления знаний предметной области.
«Дообучение или поиск для получения знаний предметной области» — бесплатный урок Prompt Engineering & LLM Optimization for Developers на CoddyKit. Это урок 4 из 4. Ты можешь прочитать весь урок бесплатно ниже — а потом практиковать его прямо в браузере с встроенным редактором кода и ИИ-репетитором 24/7. Это часть пути обучения Prompt Engineering & LLM Optimization for Developers, и твой прогресс синхронизируется между веб-версией и приложением CoddyKit. Курс Prompt Engineering & LLM Optimization for Developers содержит 4 уроков всего.
Части этого урока еще не переведены и отображаются на английском.
Two Ways to Specialize
To make an LLM expert in your domain you can:
- Fine-tune: adjust the model weights on your data
- Retrieve: fetch relevant documents at query time (RAG)
Often the best answer is a combination of both.
What Fine-Tuning Changes
Fine-tuning bakes patterns into the weights. It is excellent for teaching style, format, and behavior — for example always replying in a strict JSON shape or a brand voice.
What Retrieval Changes
Retrieval injects facts at runtime without touching weights. It shines when knowledge is large, frequently updated, or must be cited to a source.
Freshness Matters
A fine-tuned model freezes knowledge at training time. If your facts change daily (prices, policies, inventory), retrieval wins because you just update the document store.
Cost Comparison
Fine-tuning has upfront training cost and a new model to maintain. Retrieval has ongoing per-query embedding and storage cost but no retraining. Match the model to your update cadence.
A Fine-Tuning Example
Fine-tuning data is usually prompt/response pairs in JSONL. The model learns to imitate the desired responses.
{"messages":[{"role":"user","content":"Summarize ticket 42"},{"role":"assistant","content":"Priority: high. Issue: login fails."}]}A Retrieval Example
RAG embeds the query, finds nearby chunks, and stuffs them into the prompt as context.
const docs = vectorStore.search(embed(query), 5);
const prompt = buildPrompt(query, docs);
const answer = await llm(prompt);Hallucination Risk
Fine-tuning on facts can increase hallucination — the model confidently states learned facts even when wrong. Retrieval lets you cite and verify, reducing fabrication.
Combining Both
A powerful pattern: fine-tune for behavior and format, use retrieval for current facts. The model knows how to act; the documents tell it what is true today.
Data Requirements
Fine-tuning needs hundreds to thousands of clean, consistent examples. Retrieval needs only well-chunked documents and embeddings — far less labeling effort to start.
A Decision Checklist
Choose retrieval if knowledge is large, changing, or must be cited. Choose fine-tuning if you need consistent style/format or lower per-call latency on a fixed behavior. Combine them when you need both.
Quick Check
Test your understanding.
Recap
You compared fine-tuning (best for style, format, behavior) with retrieval (best for large, fresh, citable facts). Fine-tuning can worsen factual hallucination; combining a fine-tuned behavior model with retrieval for facts is often the strongest domain customization.
Часто задаваемые вопросы
Урок «Дообучение или поиск для получения знаний предметной области» бесплатный?
Да — полный текст урока «Дообучение или поиск для получения знаний предметной области» бесплатно доступен здесь в веб-версии. Чтобы практиковать его интерактивно (встроенный редактор кода и ИИ-репетитор 24/7) и разблокировать остальной курс Prompt Engineering & LLM Optimization for Developers, подпишись на CoddyKit PRO. Курс Prompt Engineering & LLM Optimization for Developers содержит 4 уроков всего.
Чему я научусь в уроке «Дообучение или поиск для получения знаний предметной области»?
Когда следует дообучать модель, а когда использовать поиск? Изучите компромиссы, расходы и структуру принятия решений для добавления знаний предметной области. Ты практикуешь Prompt Engineering & LLM Optimization for Developers с помощью реального кода, который запускаешь прямо в браузере, и ИИ-репетитор 24/7 отвечает на твои вопросы во время урока.
Нужен ли мне опыт, чтобы начать Prompt Engineering & LLM Optimization for Developers?
Предыдущий опыт не требуется. Prompt Engineering & LLM Optimization for Developers на CoddyKit структурирован для всех уровней — от новичков до продвинутых, поэтому ты можешь начать отсюда или с самого начала и учиться в своем темпе. Это урок 4 из 4.
Сколько времени занимает урок «Дообучение или поиск для получения знаний предметной области»?
Большинство уроков CoddyKit занимают около 5–10 минут. Каждый из них компактный и интерактивный, поэтому ты постоянно делаешь прогресс и продолжаешь с того же места в веб-версии и приложении.
Можно ли писать и запускать код в этом уроке Prompt Engineering & LLM Optimization for Developers?
Да. Каждый урок Prompt Engineering & LLM Optimization for Developers включает встроенный редактор кода, поэтому ты пишешь и запускаешь реальный код прямо в браузере и получаешь моментальную обратную связь от AI — локальная установка не требуется.
Все уроки этого курса
- Стратегии составления предметных промптов
- Интеграция графов знаний
- Гибридные подходы к LLM (символические и нейронные)
- Дообучение или поиск для получения знаний предметной области