Fine-tuning, RAG ou prompting : que choisir ?
Traduction automatique Cet article a été traduit automatiquement depuis la version originale en anglais.
Utilisez le prompting pour clarifier la tâche, la retrieval-augmented generation (RAG) pour fournir des connaissances à jour ou privées, et le fine-tuning pour modifier de manière durable le comportement du modèle. Ces techniques répondent à des problèmes différents et sont souvent combinées au sein d’un même système.
Commencez par établir une baseline mesurée avec le prompting. Ajoutez du RAG lorsque les réponses nécessitent des éléments de preuve externes ou des faits qui évoluent fréquemment. Effectuez un fine-tuning lorsque les échecs restants correspondent à des comportements stables — format, ton, frontières de classification, tool use ou langage métier — et que vous disposez d’un nombre suffisant d’exemples vérifiés.
Dernière révision : 2026-08-10. La décision dépend du type d’échec, des besoins en preuves, de la qualité des données, de la fréquence des mises à jour, de la latence, du coût d’exploitation et de la capacité à évaluer les régressions.
Tableau de décision
| Problème | Première intervention | Pourquoi |
|---|---|---|
| Les instructions sont floues ou les exemples manquent | Prompting | C’est le moyen le plus rapide de vérifier si le modèle de base possède déjà la capacité nécessaire. |
| Les faits sont privés, doivent être cités ou changent fréquemment | RAG | La retrieval met à jour les connaissances sans réentraînement et peut préserver la provenance des sources. |
| Le comportement de sortie est systématiquement incorrect | Fine-tuning | Des exemples vérifiés peuvent enseigner un format, un style, des labels ou un comportement d’utilisation des outils stables. |
| Le modèle ne possède pas la capacité sous-jacente | Modifier le modèle ou la conception du système | Le prompting et le fine-tuning ne peuvent pas créer de manière fiable une capacité absente. |
| Les réponses nécessitent des faits à jour et un comportement spécialisé | RAG plus fine-tuning | La retrieval fournit les éléments de preuve tandis que le fine-tuning modifie la manière dont le modèle les exploite. |
Utilisez d’abord le prompting
Le prompting est le diagnostic le moins coûteux. Définissez la tâche, le contrat de sortie, les exemples, les outils autorisés et les conditions de refus. Constituez un petit jeu d’évaluation avant d’ajouter davantage d’infrastructure. Si un prompt plus robuste corrige les échecs représentatifs, arrêtez-vous là.
Le prompting devient fragile lorsque le prompt contient une vaste base de connaissances, de nombreuses exceptions récurrentes ou de longues démonstrations. C’est le signe qu’il faut transférer les connaissances vers la retrieval ou le comportement vers les données d’entraînement, plutôt que de continuer à allonger un unique bloc d’instructions.
Utilisez le RAG pour les connaissances et la provenance
Le RAG convient aux manuels produits, aux politiques, aux documents internes, aux événements récents et à toute réponse qui doit citer une source. Sa qualité dépend de l’analyse, du chunking, de la retrieval, du classement, des permissions et de la prise en charge des citations. Un générateur plus volumineux ne peut pas récupérer des éléments de preuve que la retrieval a manqués.
Le RAG n’est pas une méthode d’entraînement du comportement. Il peut présenter au modèle un exemple ou une règle, mais il ne rend pas ce comportement stable pour chaque requête.
Utilisez le fine-tuning pour les comportements reproductibles
Le fine-tuning convient à la classification, au style d’extraction, à la structure des réponses, à la terminologie métier et aux schémas récurrents de tool use. Il nécessite des données d’entraînement vérifiées, un jeu d’évaluation tenu à l’écart, le versionnage des artefacts et une procédure de rollback. N’effectuez pas de fine-tuning sur des faits qui changent fréquemment lorsque la retrieval peut les fournir au moment de la requête.
Une séquence pratique
- Définissez les critères de réussite et constituez un jeu d’évaluation représentatif.
- Établissez une baseline avec le prompting seul et le modèle le plus performant acceptable.
- Ajoutez du RAG si les échecs proviennent d’éléments de preuve manquants ou évolutifs.
- Collectez et examinez les exemples correspondant aux échecs stables qui subsistent.
- Effectuez un fine-tuning uniquement si le gain en qualité, en latence ou en coût compense les efforts supplémentaires liés aux données et aux opérations sur le modèle.
- Relancez la même évaluation après chaque modification du prompt, de l’index, du modèle ou de l’adapter.
Pour aller plus loin
- Fine-Tuning LLMs traite des données, de LoRA, de l’évaluation et du déploiement.
- RAG Evaluation Metrics montre comment localiser les échecs selon l’étape du pipeline.
- Context Engineering for AI Agents traite du contexte d’exécution autour des prompts et de la retrieval.