Kan vi kombinere begge dele?

Ja. Mange produktionssystemer bruger RAG til facts og finetune/prompting til format. Start med den del der gør mest ondt.

Hvilken vector database?

Den I kan drifte. Postgres + pgvector er et stærkt default hvis I allerede har Postgres.

Er agents det samme som RAG?

Nej. Agents bruger værktøjer og planlægning. RAG er en retrieval-strategi agents ofte har brug for.

Hvordan starter vi uden at overinvestere?

Et afgrænset korpus, et eval-sæt, og en UI med citations. Så ved I om det er værd at bygge videre.

Sammenligning

RAG vs. fine-tuning — hvad skal I bygge?

RAG er ofte det rigtige første skridt når svarene skal komme fra jeres dokumenter. Fine-tuning vinder på format, stil og snævre klassifikationer. Her er den ærlige forskel.

Book en samtale Læs: hvornår RAG giver mening

Beslutningen

De fleste ‘AI på vores data’-projekter skal starte med retrieval.

RAG (retrieval-augmented generation) henter relevante stykker fra jeres korpus og beder modellen svare ud fra dem. Det er stærkt når indholdet ændrer sig, og I har brug for kildehenvisninger.

Fine-tuning ændrer modellens adfærd. Det er stærkt når I vil have et bestemt output-format, tone eller klassifikation — ikke når I primært vil ‘søge i PDF’erne’.

Vi bygger RAG-systemer når use casen er dokument-Q&A med evaluering. Vi siger nej til fine-tuning som første svar på et retrieval-problem.

Hvad der typisk afgør det

Praktiske signaler fra discovery.

Hvis I genkender venstre kolonne i sammenligningen nedenfor, start med RAG.

Dokumenter der ændrer sig
RAG — indeksering og chunking I kan opdatere.
Krav om citations
RAG — vis kilden i UI.
Fast output-skema
Fine-tuning eller stærk prompting/structured output.
Klassifikation i høj volumen
Fine-tuning kan være billigere i drift end store prompts.
Agents der skal handle
Ofte RAG + tools — ikke kun finetune.
Ingen eval-set
Byg det før I scaler. Ellers gætter I.