练完一遍了？ 用英文写下回答，粘贴到免费自查工具打分（工具按英文要点评分）
考察点
是否按问题本身选技术（知识还是行为），从成本最低的迭代开始，并且知道两者是组合关系而不是二选一。
评分要点
- 先用 prompting 加一个小型 eval set（评测集），这是最快的迭代方式。
- 答案依赖私有或经常变化的知识，或需要引用时，加 RAG。
- 需要稳定的格式或风格、用更小的模型降低成本或延迟、基座模型处理不好的领域语言，或长 prompt 也守不住的行为时，做 fine-tuning；经常变的事实不要靠 fine-tuning。
- 两者可以组合：知识放检索，行为放权重。
常见扣分点
提议用 fine-tuning 教模型经常变化的事实。
参考回答
我先用 prompting 加一个小型 eval set，因为这是最快的迭代方式。In-context learning（上下文学习）不改权重，改了马上见效，但每次请求都要为额外的 token 付费，而且行为受上下文窗口限制。
当答案依赖私有或经常变化的知识时，我加 RAG。当我需要 prompting 守不住的稳定格式或行为、想用更小的模型降低延迟或成本、或者手里有几千条好样本时，我做 fine-tuning。Fine-tuning 需要数据、评估和重新部署，用它来加入经常变化的事实效果很差。
两者并不互斥：fine-tuning 过的模型再加 RAG 很常见。知识放进检索，行为放进权重。
常见追问
Fine-tuning 和 in-context learning 有什么区别？ In-context learning 把指令和示例放进 prompt，不改任何权重。Fine-tuning 用训练样本修改权重，需要数据、评估和重新部署。
中文手册想要完整的中文备考方法？
《如何从0到1准备AI Engineer面试》：20 章、5 套答题框架（FLAME、SPARK、FORGE、RISE、EMBER）、100 道题库和 8 周备考计划。
获取中文手册 优惠码 EARLYBF 立减 40%，截至太平洋时间 11 月 3 日 23:59更想读英文版？The 0→1 AI Engineer Interview Playbook，$19.99，Gumroad 英文版。也可以先免费领取 Top 30 题 PDF（英文）。