وقتی صحبت از شخصی‌سازی هوش مصنوعی می‌شود، اولین چیزی که به ذهن خیلی‌ها می‌رسد Fine-tuning است؛ اما Fine-tuning فقط یکی از ابزارهای موجود است و در بسیاری از پروژه‌ها حتی اولین انتخاب هم نیست.
۱. System Prompt
ساده‌ترین سطح شخصی‌سازی، Prompt است. در System Prompt می‌توان نقش مدل، قوانین پاسخ، قالب خروجی، محدودیت‌ها و رفتار آن را مشخص کرد. مثلاً «پاسخ‌ها را فقط بر اساس اطلاعات ارائه‌شده بنویس» یا «خروجی باید JSON مطابق Schema مشخص باشد». این روش ساده است، اما نباید برای نگهداری حجم زیادی از دانش سازمانی استفاده شود.
۲. Structured Output
اگر خروجی قرار است توسط نرم‌افزار دیگری پردازش شود، متن آزاد همیشه مناسب نیست. می‌توان از مدل خواست خروجی ساختاریافته تولید کند؛ مثلاً:
- نام مشتری
- شمارهٔ سفارش
- نوع مشکل
- اولویت
- پیشنهاد اقدام بعدی
این روش مدل را به بخشی از یک سیستم نرم‌افزاری قابل پیش‌بینی‌تر تبدیل می‌کند.
۳. RAG
اگر مسئلهٔ شما «دانش اختصاصی» است، RAG معمولاً یکی از اولین گزینه‌هایی است که ارزش بررسی دارد. در RAG اطلاعات مرتبط از مستندات یا دیتابیس پیدا شده و هنگام درخواست به مدل داده می‌شود؛ در نتیجه برای تغییر یک آیین‌نامه یا اضافه شدن محصول جدید لازم نیست مدل را دوباره Fine-tune کنید. مقالهٔ RAG چیست؟ این معماری را کامل‌تر توضیح می‌دهد.
۴. Tool Calling
شخصی‌سازی فقط دربارهٔ اطلاعات نیست؛ گاهی می‌خواهیم مدل بتواند کاری انجام دهد. مثلاً:
- بررسی موجودی انبار
- ساخت تیکت
- خواندن CRM
- ارسال ایمیل
- اجرای Query
- دریافت وضعیت سفارش
مدل در این حالت به ابزارهای نرم‌افزاری متصل می‌شود. یکی از استانداردهایی که برای اتصال مدل‌ها و Agentها به منابع و ابزارها مطرح شده، MCP است که در MCP چیست؟ توضیح داده‌ایم.
۵. Memory
یک دستیار ممکن است نیاز داشته باشد برخی اطلاعات جلسات یا تعاملات گذشته را به خاطر بیاورد. Memory لزوماً به معنای قرار دادن تمام تاریخچهٔ گفتگو در Prompt نیست؛ می‌توان اطلاعات مهم را استخراج، خلاصه و ذخیره کرد و فقط هنگام نیاز آن را بازیابی کرد.
۶. Fine-tuning
در Fine-tuning بخشی از رفتار مدل با استفاده از Dataset تغییر می‌کند. این روش می‌تواند برای ایجاد سبک خروجی مشخص، Taskهای تکرارشونده یا الگوهایی که Prompt به‌تنهایی در آن‌ها پایدار نیست مناسب باشد؛ اما Fine-tuning ابزار مناسبی برای وارد کردن اطلاعاتی که دائماً تغییر می‌کنند نیست. مثلاً آموزش قیمت امروز محصولات داخل وزن‌های مدل معمولاً ایدهٔ خوبی نیست.
۷. ترکیب روش‌ها
سیستم‌های واقعی معمولاً فقط از یکی از این روش‌ها استفاده نمی‌کنند. ممکن است:
- System Prompt قوانین را مشخص کند.
- RAG اطلاعات را بیاورد.
- Tool Calling عملیات را انجام دهد.
- Memory اطلاعات گذشته را بازیابی کند.
- Fine-tuning رفتار خاص مدل را بهبود دهد.
ترکیب درست این روش‌ها معمولاً مهم‌تر از انتخاب یک تکنیک واحد است. برای مقایسهٔ دقیق دو روش پرکاربرد، RAG یا Fine-tuning را بخوانید.