Inżynier planujący zastosowanie modelu w konkretnym projekcie staje przed pytaniem: jak dostosować generyczny model do specyfiki własnego kontekstu. W 2026 roku trzy strategie dominują w praktyce produkcyjnej, różniąc się kosztem, czasem wdrożenia, skutecznością i długoterminowymi konsekwencjami architektonicznymi.
Pierwsza strategia — prompt engineering. Doprecyzowywanie instrukcji wysyłanych do modelu bez modyfikowania samego modelu. W formie prostej polega na sformułowaniu pytania w sposób jednoznaczny i kontekstowy. W zaawansowanych formach wykorzystuje techniki jak chain-of-thought (jawna prośba o rozpisanie rozumowania krok po kroku), few-shot learning (podanie kilku przykładów oczekiwanego wejścia i wyjścia), structured output (wymuszenie formatu odpowiedzi zgodnego z podanym schematem JSON), role prompting (określenie roli modelu). Tani, szybki, elastyczny — dlatego pokrywa statystycznie największy odsetek zastosowań. Szczegółowo wracam w rozdziale piątym.
Druga strategia — retrieval-augmented generation (RAG). Rozszerzenie promptu o kontekstowo dobraną wiedzę pochodzącą z zewnętrznego źródła, zwykle bazy wektorowej zawierającej dokumentację organizacji, kod projektu lub specjalistyczne zasoby domenowe. Model otrzymuje w prompcie nie tylko pytanie użytkownika, ale fragmenty z bazy wiedzy identyfikowane jako potencjalnie istotne. W rezultacie operuje na wiedzy aktualnej i specyficznej dla organizacji, niezależnie od daty zakończenia treningu. Szczegółowe omówienie wzorców implementacji w rozdziale dziewiątym.
Trzecia strategia — fine-tuning. Dodatkowy trening modelu na wyspecjalizowanym zbiorze danych. W formie pełnego fine-tuningu modyfikowane są wszystkie parametry modelu — wymaga znaczących zasobów obliczeniowych, praktyczne niemal wyłącznie dla mniejszych modeli otwartych. W formie parameter-efficient fine-tuning (PEFT), wykorzystującej techniki LoRA czy adapter tuning, modyfikowana jest niewielka frakcja parametrów, co drastycznie obniża koszt treningu i umożliwia utrzymywanie wielu specjalizowanych wariantów tego samego modelu bazowego.
Praktyczny framework decyzyjny: jeśli problem rozwiązuje się zmianą sformułowania pytania — prompt engineering. Jeśli wymaga dostępu do wiedzy niedostępnej w treningu — RAG. Jeśli wymaga wewnętrznej zmiany zachowania modelu, której nie da się osiągnąć przez prompt ani kontekst (spójne używanie specyficznej konwencji kodowej, generowanie w rzadkim języku domenowym) — dopiero wtedy fine-tuning. Sekwencja ta odzwierciedla gradient kosztu i złożoności, od najtańszej do najbardziej wymagającej. Większość zespołów w 2024-2026, po wcześniejszych nietrafionych inwestycjach w fine-tuning, przyjęła zasadę „prompt engineering first, RAG second, fine-tuning last”.