這四條路的成本差好幾個數量級。多數人以為自己需要第四條，實際上第二條就解決了。
| 直接用現成模型<br>看卡片：Claude、Gemini、Microsoft Copilot（企業版） | RAG<br>看卡片：LlamaIndex、Qdrant、pgvector、Chroma | 微調（Fine-tune）<br>看卡片：Unsloth、Label Studio | 從頭訓練 | |
|---|---|---|---|---|
| 在做什麼 | 把提示詞寫好 | 先找你的資料，再請 AI 依據它回答 | 改模型本身，讓它學會你的格式或語氣 | 自己造一個模型 |
| 適合誰 | 大多數人 | 想讓 AI 回答公司文件的人 | 有固定輸出格式、且提示詞怎麼調都不夠的情況 | 幾乎沒有人 |
| 要準備什麼 | 什麼都不用 | 整理乾淨的文件 | ⚠️ 標註好的訓練資料（要人一筆筆標） | 海量資料＋大量算力 |
| 資料變了怎麼辦 | 不影響 | 換文件就好 | ⚠️ 要重新訓練 | 重來 |
| 典型工具 | Claude、Gemini、Copilot | LlamaIndex、向量資料庫 | Unsloth、Label Studio | — |
怎麼選
順序不要跳：先把提示詞寫好，不夠再上 RAG，還是不夠才考慮微調。本站作者做的每一支 App，全部用現成模型加應用層設計，沒有訓練過任何模型——這不代表微調沒有價值，而是說先確認前兩條路真的走不通，再花那個錢。
站內延伸
這張表比的是能不能用，不是哪個比較好。授權、費用、資料政策這三格一律以官方頁面為準，查不到的就寫查不到——猜一個好聽的答案，代價是別人照著做出事。