前言

 直接向 ChatGPT 提问就能得到不错的回答，但这远远不够。真实的应用场景往往要求模型能够：查询实时信息、访问企业私有文档、按照严格的格式输出，甚至与外部系统交互。于是，围绕大模型的应用开发框架逐渐演化出四种经典模式：

• 纯 Prompt 模式 – 最轻量，模型直接回答，适合通用场景。
• Function Calling – 让模型主动调用工具/API，获取实时数据或执行操作。
• RAG（检索增强生成） – 为模型外挂知识库，解决知识过时和私有文档问答问题。
• Fine-tuning（微调） – 用领域数据训练模型，改变其行为或风格，获得最高质量的定制效果。

1.纯 Prompt 模式

 用户直接将问题（Prompt）发送给大模型，模型仅根据其内部参数中存储的知识生成回答。没有外部信息检索，没有工具调用，也没有任何后处理。

• 输入：自然语言问题
• 输出：模型直接生成的文本

2.Function Calling（工具调用 / Agent 模式）

• 开发者在请求中描述一组可用的函数（名称、参数、功能说明）
• 模型根据用户问题，判断是否需要调用某个函数，并输出结构化的函数名和参数（而不是直接回答）
• 应用层执行该函数（查询API、计算、查数据库等），得到结果
• 将函数返回结果拼接到原对话中，再次发送给模型
• 模型基于函数返回结果生成最终答案

模型本身不执行函数，只输出调用指令。可以多轮调用。需要开发者自己实现函数的具体逻辑

3.RAG（Retrieval-Augmented Generation，检索增强生成）

离线阶段：

• 将外部知识库（文档、网页、笔记）切分成片段，用嵌入模型（Embedding Model）计算向量，存入向量数据库。

在线阶段：

• 用户提问后，先将问题转为向量
• 在向量数据库中检索相似度最高的K个知识片段
• 将检索到的片段拼接到Prompt中（例如：“基于以下资料回答问题：…”）
• 将完整Prompt发送给大模型生成答案

4.Fine-tuning（微调）

 使用特定领域的数据，对预训练大模型进行有监督的进一步训练，更新模型的部分或全部参数，使模型更适合特定任务或风格。

• 数据准备：收集成对的（输入，期望输出）数据，例如：
  • 客服对话（用户问题 → 标准回答）
  • 特定格式的文本（产品描述 → 营销文案）
  • 结构化输出（自然语言 → JSON）
• 训练：在预训练模型基础上，用较小的学习率继续训练若干轮
• 部署：将微调后的模型替代基础模型，用于推理

模式对比

 从开发成本由低到高来看，四种方案排序如下：
Prompt < Function Calling < RAG < Fine-tuning