官终极拷问：效果差先改Prompt、补RAG还是微调？16题高频判断题助你避坑通关！

本文针对AI落地面试中关于效果不理想时优先改Prompt、补RAG还是直接谈微调的高频判断题提出了正确判断框架缺行为先看Prompt缺知识先看RAG只有稳定模式才考虑微调。文章通过拆解三个概念Prompt解决怎么做RAG解决知道什么微调解决长期稳定模式和四个判断标准结合腾讯AI应用平台组面试实例和落地案例强调了先定位问题根因再选择技术方案的工程思维并指出了常见的误判和避坑要点适合AI应用工程师参考。AI 落地面试通关 · 第 03 课▸ 判断篇 3/416 道 Agent 工程高频判断题从 workflow 到上线上一课我们讨论了单 Agent 和 Multi-Agent 的拆分边界。这课继续往底层走效果不理想时应该先改 Prompt、补 RAG还是直接谈微调一、面试现场面试题“我们做一个研究报告生成系统效果总是不稳定。你会优先改 Prompt、补 RAG还是直接上微调”腾讯某 AI 应用平台组终面。岗位是做行业研究与内容生成的 Agent 工程。面试官给了一个很像真实项目的场景同一套系统要给消费、汽车、金融三个行业生成周报。候选人听完马上说“效果不好就微调微调完更稳。”本文按截至 2026 年 4 月仍然通用的工程判断口径来讨论不追逐短期模型榜单。面试官没有否定只追问了一句“你确定这是模型不会还是模型不知道”这道题真正考的不是你会不会背术语而是你能不能先判断问题的根因再决定该往哪条路上加复杂度。这不是某一次面试的原题而是从真实面经和 AI 工程岗 JD 中提炼的高频判断题。二、大多数人怎么答的常见回答大概分三类一种是“先疯狂改 Prompt总能调出来。”另一种是“加个 RAG什么知识问题都能补。”还有一种是“直接微调省事也稳定。”问题是这三种回答都默认自己已经知道问题在哪。但工程里最贵的不是“选错技术”而是在没有定位问题前就开始加方案。模型输出差有可能是指令不够清楚也可能是缺你自己的行业知识还可能是你想要的其实是一种长期稳定的固定风格和决策偏好。三个根因对应三条完全不同的路。典型误判“效果不好就上微调。” —— 很多时候不是模型不会做而是你还没把“行为问题”和“知识问题”分开。三、正确判断框架这道题更合适的回答顺序只有一句话缺行为先看 Prompt缺知识先看 RAG只有稳定模式已经足够明确且高频重复时才考虑微调。先拆三个概念。Prompt 解决的是“怎么做”角色、步骤、格式、约束、输出风格。RAG 解决的是“知道什么”企业文档、行业数据、FAQ、实时信息。微调解决的是“长期稳定地总是这样做”某类输入到某类输出的固定模式、稳定口吻、特定决策偏好。判断 1知识是不是在模型外面如果答案依赖公司制度、私有文档、实时数据、行业库优先补 RAG。违反后果你把“模型不知道”误当成“模型不会”最后花钱微调一个仍然拿不到当前数据的模型。判断 2问题是不是可通过指令显式描述如果你能清楚写出步骤、字段、结构、禁止项先做 Prompt 工程包括 few-shot、system/user 分层、版本管理和 eval 对比。违反后果本来靠一轮 prompt 重构就能解决的事被你升级成一个长期维护项目。判断 3输入到输出的模式是不是已经稳定到可标注如果同类任务高频出现、成功样本足够多、验收标准明确微调才值得谈。违反后果样本不够、目标不稳微调出来的只是把当前噪声固化进模型。判断 4维护成本谁最低知识变化快时RAG 更新索引通常比重新微调便宜规则经常改时Prompt 比重新造数据集更灵活。违反后果你选了最重的方案结果每次业务变动都要大修。真正成熟的团队很少一上来就说“我们要微调”。他们更像在做诊断先用 Prompt 验证行为边界再用 RAG 补知识缺口最后才问——有没有一块模式已经稳定到值得固化进模型。四、面试官追问链追问 1“你怎么判断一个 Prompt 已经到天花板了不是你写得还不够好”回答思路不要靠感觉靠表现特征。其一同类输入产出方差仍然很大其二长尾 case 只能靠不断补示例越补越碎其三格式和语气总在概率上漂移不能稳定收敛。出现这三种信号说明 Prompt 已经把“行为约束”压到上限再硬调的性价比就很差。追问 2“如果一个项目既缺知识又缺风格你先做哪个”回答思路先补知识再调风格。因为模型连事实都拿不到时先谈语气和版式没有意义。工程上通常是RAG 补行业资料与数据口径Prompt 定义章节结构和表达要求如果仍然要求某个垂直领域保持长期一致口吻再评估微调是否划算。加分题“为什么很多所谓微调需求其实是检索没做好”方向因为模型答错的根因常常不是能力不够而是上下文里根本没有正确证据。检索召回不到、切块不对、数据过期微调也补不回缺失事实。五、落地案例实战拆解研究报告生成系统从“只会堆 Prompt”到“Prompt RAG”最后只对一类固定风格评估微调**起步版本只有 Prompt。**团队先做了很细的提示词规定标题层级、摘要格式、风险提示和结论段落还给了两篇 few-shot 示例。结果消费行业报告还能看换到汽车和金融就开始露怯——不是结构乱而是细节空、事实弱、引用不稳。**根因判断**这里先不是风格问题而是知识缺口。模型知道怎么写研究报告却不知道你们公司的行业口径、历史周报、券商模板和当前指标解释。于是下一版接入 RAG检索内部行业数据库、近三个月周报、关键指标定义和事件时间线。**Prompt RAG 接上后知识问题明显缓解。**报告引用更准了行业背景不再靠猜。但新的问题暴露出来金融行业的输出仍然不够稳定。同一个输入有时偏卖方研报腔有时像公司内部周报结论口吻忽松忽紧。**这时才轮到微调评估。**团队没有对整套系统一把梭微调而是把问题缩到一个稳定、高频的子任务金融行业周报结论段。因为这里样本足够多、验收标准明确、输出格式固定才有资格谈微调。最终做法是绝大多数内容继续走 Prompt RAG只有金融结论段进入专门模型或适配层。这条路线最重要的不是“最后有没有微调”而是每一步都先回答了一个工程问题现在缺的是行为、知识还是稳定模式。这样做成本和复杂度都能被控制在需要的范围里。六、上线坑点坑 1没 baseline 就谈微调如果你不知道 Prompt RAG 已经能做到什么程度就根本没法证明微调带来了净收益。最后只会得到一个更贵、但提升来源说不清的系统。坑 2Prompt 不做版本管理一条 system prompt 改动可能让整套系统的语气、步骤、风险提示同时变化。没有版本号、没有 eval 对比、没有回滚点线上行为一漂就找不到是谁改坏的。坑 3拿微调掩盖链路设计问题检索召回差、切块不合理、数据过期、输出 schema 模糊这些都不是微调该背的锅。系统设计没补齐时微调只是在更高成本上把问题包装得没那么明显。七、本课总结与面试锦囊一句话结论缺行为先看 Prompt缺知识先看 RAG只有当稳定模式足够明确且高频重复时才考虑微调。面试锦囊先说先定位问题根因——到底是行为没约束住还是知识没补进去。再说Prompt 管行为RAG 管外部知识微调只处理已经稳定且高频的输入输出模式。最后补任何时候都先跑 baseline 和 eval对比方案提升再决定是否值得上更重的路线。判断 Checklist☐ 问题主要是格式、步骤、角色约束没说清 → 先调 Prompt☐ 需要企业私有知识、实时数据、行业文档 → 先补 RAG☐ 同类任务高频、样本足够、验收标准清楚 → 才评估微调☐ 方案升级前先有 baseline 和回滚点别再踩的坑• 把“效果不好”直接翻译成“该微调了”• RAG 没补好就开始讨论模型定制• Prompt、检索、微调三条链路没有独立评估改完不知道哪里真的变好了**适合谁**已经在做内容生成、问答、审核、Copilot 这类 AI 应用但总在 Prompt、RAG、微调之间摇摆的工程师。**不适合谁**如果你现在连 baseline、样本集和评估口径都没有先别急着谈微调先把诊断链路补起来。**怎么用在自己项目里**先各抽 20 个真实样本分别验证 Prompt 是否已说清规则、RAG 是否真能拿到证据再决定微调有没有资格进入候选清单。最后对于正在迷茫择业、想转行提升或是刚入门的程序员、编程小白来说有一个问题几乎人人都在问未来10年什么领域的职业发展潜力最大答案只有一个人工智能尤其是大模型方向当下人工智能行业正处于爆发式增长期其中大模型相关岗位更是供不应求薪资待遇直接拉满——字节跳动作为AI领域的头部玩家给硕士毕业的优质AI人才含大模型相关方向开出的月基础工资高达5万—6万元即便是非“人才计划”的普通应聘者月基础工资也能稳定在4万元左右。再看阿里、腾讯两大互联网大厂非“人才计划”的AI相关岗位应聘者月基础工资也约有3万元远超其他行业同资历岗位的薪资水平对于程序员、小白来说无疑是绝佳的转型和提升赛道。如果你还不知道从何开始我自己整理一套全网最全最细的大模型零基础教程我也是一路自学走过来的很清楚小白前期学习的痛楚你要是没有方向还没有好的资源根本学不到东西下面是我整理的大模型学习资源希望能帮到你。扫码免费领取全部内容最后1、大模型学习路线2、从0到进阶大模型学习视频教程从入门到进阶这里都有跟着老师学习事半功倍。3、 入门必看大模型学习书籍文档.pdf书面上的技术书籍确实太多了这些是我精选出来的还有很多不在图里4、AI大模型最新行业报告2026最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。5、面试试题/经验【大厂 AI 岗位面经分享107 道】【AI 大模型面试真题102 道】【LLMs 面试真题97 道】6、大模型项目实战配套源码适用人群四阶段学习规划共90天可落地执行第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…扫码免费领取全部内容3、这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】