本文介绍如何为你的工作负载选择合适的生成式 AI定制化方法，避免过度工程化或投入不足。
AWS通过 Amazon Bedrock提供来自 Anthropic、Meta、Mistral和 Amazon的基础模型，并提供从聊天机器人、代码助手到文档处理器和自主智能体的构建基础设施。模型已经可用。更难的问题是：针对你的具体问题，该如何使用它们。
能够访问 Anthropic Claude、Amazon Nova或 Llama，并不自动意味着你知道如何让它们适用于你的特定用例。你应该编写更好的提示词？用检索增强生成（Retrieval Augmented Generation，RAG）接入你的文档？微调？从头训练？大量选项会造成决策瘫痪，选错代价高昂。
团队常常直接跳到微调，而一个结构良好的提示词本可以在一个下午解决问题。另一些团队则在用例明显需要领域特定训练数据时，仍数周停留在提示工程上。两种错误都会造成真实的计算成本、发布延迟的时间成本，以及模型输出无法打动利益相关者时的可信度损失。
本文为你提供一个8步决策框架，即 AWS上的生成式 AI定制化光谱。读完后，你将知道哪种方法适合你的用例、成本是多少、需要多少数据，以及何时升级到下一层。核心原则：从最简单的方法开始，只在必须时才深入。
解决方案概览定制化光谱是一个从最简单到最复杂的可视化阶梯：并非每个生成式 AI问题都需要相同程度的投入。定制化光谱是一个阶梯，每上一级都会增加工作量、成本和数据需求，但也会增加你获得的控制程度和领域特异性。
该光谱分为三个类别：
使用（USE）：不要碰模型。改变你与它交谈的方式。步骤1–2：按原样使用现有模型，或通过系统指令、少样本示例和思维链推理来改进提示词。当你从生产工作负载中的一个提示词扩展到数百个提示词时，可以使用提示词评估，根据准确性和稳健性指标衡量提示词质量。提示词优化会自动重写提示词，使其在你选定的模型上表现更好，从而消除过程中的手动试错。
增强（ENHANCE，驾驭模型）：在模型周围添加东西。权重保持冻结。步骤3–5：用你的文档为模型提供依据（RAG），缓存昂贵的提示词，或将大模型的知识蒸馏到更小、更快的模型中。这就是业界所说的“驾驭”模型：用外部工具、数据源和优化方法将其包裹起来，同时保持其权重不变。
训练（TRAIN）：改变模型本身。步骤6–8：用你的标注