Fine-tuning vs RAG vs prompting: wat moet je gebruiken?
Automatische vertaling Dit artikel is automatisch vertaald vanuit de oorspronkelijke Engelse versie.
Gebruik prompting om de taak te verduidelijken, retrieval-augmented generation (RAG) om actuele of private kennis aan te leveren, en fine-tuning om herhaalbaar modelgedrag te veranderen. Deze technieken lossen verschillende problemen op en horen vaak thuis in hetzelfde systeem.
Begin met een gemeten prompt-baseline. Voeg RAG toe wanneer antwoorden extern bewijs of regelmatig veranderende feiten nodig hebben. Gebruik fine-tuning wanneer de resterende fouten stabiel gedrag betreffen, zoals format, toon, classificatiegrenzen, tool use of domeintaal, en er voldoende beoordeelde voorbeelden beschikbaar zijn.
Laatst beoordeeld: 2026-08-10. De beslissing is gebaseerd op het type fout, de behoefte aan bewijs, datakwaliteit, updatefrequentie, latency, operationele kosten en de mogelijkheid om regressions te evalueren.
Beslissingstabel
| Probleem | Eerste interventie | Waarom |
|---|---|---|
| Instructies zijn onduidelijk of voorbeelden ontbreken | Prompting | Dit is de snelste manier om te testen of het basismodel de capability al heeft. |
| Feiten zijn privaat, moeten worden geciteerd of veranderen vaak | RAG | Retrieval werkt kennis bij zonder retraining en kan de provenance van bronnen behouden. |
| Outputgedrag is consequent onjuist | Fine-tuning | Beoordeelde voorbeelden kunnen stabiel format, stijl, labels of toolgedrag aanleren. |
| Het model mist de onderliggende capability | Model of systeemontwerp wijzigen | Prompting en fine-tuning kunnen niet betrouwbaar capaciteit creëren die ontbreekt. |
| Antwoorden hebben actuele feiten en gespecialiseerd gedrag nodig | RAG plus fine-tuning | Retrieval levert bewijs, terwijl tuning verandert hoe het model dit gebruikt. |
Gebruik eerst prompting
Prompting is het goedkoopste diagnostische middel. Definieer de taak, het outputcontract, voorbeelden, toegestane tools en voorwaarden voor weigering. Bouw een kleine eval-set voordat je meer infrastructuur toevoegt. Als een sterkere prompt de representatieve fouten oplost, stop dan daar.
Prompting wordt fragiel wanneer de prompt een grote knowledge base, herhaalde uitzonderingen of lange demonstraties bevat. Dat is een signaal om kennis naar retrieval te verplaatsen of gedrag in trainingsdata onder te brengen, niet om één instructieblok steeds verder uit te breiden.
Gebruik RAG voor kennis en provenance
RAG is geschikt voor producthandleidingen, beleidsdocumenten, interne documenten, recente gebeurtenissen en elk antwoord dat een bron moet citeren. De kwaliteit hangt af van parsing, chunking, retrieval, ranking, permissies en ondersteuning voor citaties. Een grotere generator kan bewijs dat retrieval heeft gemist niet alsnog terughalen.
RAG is geen methode voor behavior training. Het kan het model een voorbeeld of regel laten zien, maar maakt dat gedrag niet stabiel voor elk request.
Gebruik fine-tuning voor herhaalbaar gedrag
Fine-tuning is geschikt voor classificatie, extractiestijl, responsstructuur, domeinterminologie en terugkerende tool-use-patronen. Het vereist beoordeelde trainingsdata, een held-out eval-set, versioning van artifacts en een rollback-pad. Fine-tune geen feiten die vaak veranderen wanneer retrieval deze op request-tijd kan aanleveren.
Een praktische volgorde
- Definieer succes en bouw een representatieve eval-set.
- Stel een prompt-only baseline vast met het sterkste acceptabele model.
- Voeg RAG toe als fouten ontstaan door ontbrekend of veranderend bewijs.
- Verzamel en beoordeel voorbeelden van de stabiele fouten die overblijven.
- Voer alleen fine-tuning uit als de winst in kwaliteit, latency of kosten opweegt tegen de extra data en model operations.
- Voer na elke wijziging aan prompt, index, model of adapter dezelfde evaluatie opnieuw uit.
Verder lezen
- Fine-tuning van LLMs behandelt data, LoRA, evaluatie en deployment.
- RAG-evaluatiemetrics laat zien hoe je fouten per pipelinefase lokaliseert.
- Context Engineering voor AI Agents behandelt de runtime-context rond prompts en retrieval.