The generative AI customization spectrum: From prompt engineering to custom models on AWS
AWS Machine Learning Blog 发布文章，提出在 AWS 上选择生成式 AI 定制路径的 8 步决策框架，覆盖从提示工程、RAG 到微调、持续预训练以及 Amazon Nova Forge 的定制谱系，并建议从简单方案起步、仅在必要时升级。
发展脉络
- 首次出现The generative AI customization spectrum: From prompt engineering to custom models on AWSAWS Machine Learning Blog
- 当前判断云厂商把定制能力打包成阶梯式决策框架，通常意在把客户留在同一平台内逐级升级，而不是一开始就自建模型。这有利于平台侧的用量与黏性，但客户的实际迁移成本取决于各档位之间是否可平滑切换。Agent Pulse · 分析
AWS Machine Learning Blog 于 2026-09-14 发布《The generative AI customization spectrum: From prompt engineering to custom models on AWS》。文章把生成式 AI 定制组织为一个谱系，并给出 8 步决策框架，帮助在提示工程、RAG、微调、持续预训练与 Amazon Nova Forge 之间做选择。其核心主张是先从最简单的定制手段开始，只有在确有需要时才升级到更重的定制方式。证据未给出各方案的成本、延迟或效果对比数据。
把定制手段按「提示工程→RAG→微调→持续预训练→Nova Forge」排序，隐含的工程判断是：改动模型权重的代价高于改动上下文与检索。可验证的下一信号是该框架是否给出各档位的量化取舍（如单位任务成本、延迟、评测分数），否则它仍只是选型清单而非可执行决策依据。
云厂商把定制能力打包成阶梯式决策框架，通常意在把客户留在同一平台内逐级升级，而不是一开始就自建模型。这有利于平台侧的用量与黏性，但客户的实际迁移成本取决于各档位之间是否可平滑切换。
对采用方而言，该框架的价值在于抑制过度定制：先用提示工程与 RAG 验证需求，再决定是否投入微调或持续预训练，可降低前期沉没成本。但证据未提供任何成本或效果数字，因此不能据此估算节省幅度，需以自身评测为准。
后续可观察 AWS 是否公开该框架对应的参考实现、评测基准或成本样例，以及 Nova Forge 是否被纳入同一决策流程的默认选项。若长期只有框架而无量化对比，说明其定位更偏售前引导。