1.6 提示工程、微调与插件：三种优化路径选型指南一、三种优化路径概览在将GPT能力接入业务时，开发者常面临三种优化路径：提示工程、微调、插件。三者定位不同，适用场景与成本差异显著。本节系统对比三者，帮助你在实际项目中做出正确选型。二、对比总览维度提示工程微调插件定义通过优化输入文本引导模型行为用业务数据更新模型参数通过外部工具扩展模型能力成本低（仅API调用）高（训练费用+时间）中（开发与维护）迭代速度快（秒级）慢（小时至天）中（取决于工具复杂度）适用场景通用任务、快速验证极致性能、严格格式实时数据、计算、检索数据需求无需或少量示例需高质量标注数据需开发/对接外部服务2.1 与《大模型应用开发极简入门》第1.5节的对应本书第1章「使用插件和微调优化GPT模型」明确三种路径的定位：插件与微调用于扩展能力、适配业务、提升精度；并强调需对比提示工程、微调、插件的适用场景与成本。本节在保持与书中一致的前提下，将「适用场景与成本」细化为表格、决策树与组合方案，便于在项目中直接选型。三、提示工程（Prompt Engineering）3.1 核心思路通过精心设计角色、上下文、任务描述、输出格式等，在不改变模型参数的前提下，引导模型产生符合预期的输出。3.2 适用场景快速验证想法通用任务（摘要、翻译、分类）预算有限、迭代频繁的项目3.3 典型技巧角色设定（“你是一名专业翻译”）少样本示例（Few-shot）思维链（CoT）输出格式约束（JSON、Markdown）四、微调（Fine-tuning）4.1 核心思路用业务专属数据对预训练模型进行监督微调，使模型更好地适配特定领域、风格或格式。4.2 适用场景需要严格输出格式（如固定JSON schema）领域术语、风格高度专业化对延迟、成本有极致要求（可选用更小模型微调）4.3 成本考量训练成本：按Token计费，数据量越大成本越高推理成本：微调后模型调用价格可能与基础模型不同迭代周期：数据准备→训练→评估，通常需数天五、插件（Plugins / Tools）5.1 核心思路通过函数调用（Function Calling）或插件机制，让模型在推理过程中调用外部工具，获取实时数据、执行计算、访问知识库等。5.2 适用场景需要实时信息（天气、股价、新闻）需要精确计算（计算器、代码执行）需要访问私有知识库（RAG、数据库查询）5.3 典型工具搜索引擎数据库/API计算器、代码解释器自定义业务接口六、选型决策树