Wissen
RAG oder Fine-Tuning, was ist besser?
Für interne Wissenssuche und Faktenwissen ist RAG fast immer die bessere Wahl: Es ist günstiger, lässt sich aktuell halten und liefert Quellenangaben. Fine-Tuning lohnt sich eher, wenn ein Modell einen festen Stil, ein bestimmtes Format oder eng definierte Aufgaben beherrschen soll.
Was RAG macht
RAG (Retrieval-Augmented Generation) sucht zur Frage passende Stellen in Ihren eigenen Dokumenten und gibt sie dem Sprachmodell als Kontext mit. Die Antwort stützt sich auf diese Quellen, das macht sie überprüfbar und aktuell, ohne das Modell neu zu trainieren.
Was Fine-Tuning macht
Beim Fine-Tuning wird ein Modell mit zusätzlichen Beispielen weitertrainiert. Das verändert sein Verhalten dauerhaft, ist aber aufwendiger zu erstellen und zu aktualisieren. Neues Wissen erfordert erneutes Training.
Faustregel
- Wissen, das sich ändert, oder Quellennachweis nötig → RAG.
- Fester Stil, festes Format oder eng umrissene Spezialaufgabe → ggf. Fine-Tuning.
- Oft sinnvoll: RAG als Basis, Fine-Tuning nur dort ergänzen, wo es wirklich hilft.
FAQ
Häufige Fragen
Ist RAG günstiger als Fine-Tuning?
In der Regel ja, vor allem im Unterhalt: Neue Inhalte werden einfach indexiert, ein erneutes Training entfällt.
Liefert RAG Quellen?
Ja. Da die Antwort auf gefundenen Dokumenten basiert, lässt sich die Quelle angeben und nachprüfen.
Kann man beides kombinieren?
Ja. Häufig ist RAG die Basis, und Fine-Tuning wird gezielt dort ergänzt, wo Stil oder Format wichtig sind.