GenAI大模型应用方法选择深度解析: 模型训练，微调，检索增强RAG和提示工程

生成式AI领域，如何选择合适的方法来优化模型，常常是决定项目成败的关键一步。模型训练、微调、RAG、提示工程——这四把利器，各自适用不同的场景，也各有各的独门绝技。理解它们的核心区别，才能精准取用，用最小的成本撬动最大的效果。

核心方法速览

先来个快速概览。每种生成式AI学习方法都有其独特的优势与理想的应用场景：

• 模型训练 (Model Training)
  ：从零开始，需要海量数据和计算资源来构建一个新模型。可定制性最强，扩展性也最广，但耗时最长、成本最高。

• 微调 (Fine-Tuning)
  ：在现有模型的基础上进行有针对性的调整，让它更擅长某个特定任务。在定制化与效率之间找到了一个不错的平衡点。

• 检索增强生成 (RAG)
  ：通过接入外部知识库，为模型插上实时获取信息的翅膀。特别适合那些需要最新信息或专业领域知识的任务。

• 提示工程 (Prompt Engineering)
  ：完全依赖巧妙设计的提示词来引导预训练模型。对计算资源要求最低，但非常考验设计者的功力。这是一种性价比极高、却常常被严重低估的方法。

最终选哪种，取决于几个关键因素：手头有多少数据、能投入多少算力、任务本身的特殊性、对信息时效性的要求，以及团队是否具备相应的专业技能。

介绍

在生成AI的实战应用中，选择正确的模型优化方法是头等大事。这篇文章我们会深入剖析上述四种关键技术：模型训练、微调、RAG和提示工程。通过逐一拆解与横向对比，希望能让你对“何时用、怎么用”有一个清晰透彻的了解。

模型训练：从零开始的AI之旅

了解模型训练

模型训练，可以看作是AI系统开发的“地基工程”，就像从零开始重新打造一个ChatGPT。这个过程相当于把一颗种子培育成一棵参天大树，它奠定了AI最底层的智能基础和核心能力。

工作原理

• 数据收集
  ：第一步是搜集海量且丰富多样的数据集。数据的质量和多样性直接决定了训练出来模型的“眼界”有多宽。这好比让一个年轻人经历各种事情，从而塑造他对世界的认知。

• 算法选择
  ：选择正确的算法（或算法组合）至关重要。这相当于决定用什么方式去“学习”，是监督学习、无监督学习，还是强化学习。

• 训练过程
  ：在训练中，模型会从输入的数据里学习识别模式、做出决策和预测。这是一个计算密集型的过程，模型会一步步提升自己的准确性和效率。

什么时候该用模型训练？

• 开辟新领域
  ：当你要探索一个现有模型完全无法胜任或者能力不足的全新领域时。比如，研发一个前所未有的新型医学诊断AI。

• 拥有独有数据集
  ：当你的数据非常独特，比如公司内部用来预测客户购买行为的专属数据。

• 创新与研究
  ：非常适合用于前沿的研发工作，测试全新的理论或模型架构。

优势

• 极致定制
  ：一切围绕任务量身打造，定制化的上限最高。

• 完全控制
  ：从数据选择到模型架构，整个学习过程尽在掌握。

• 潜力巨大
  ：有可能创造出划时代的模型，从而重新定义某一领域内AI能力的边界。

挑战

• 资源密集
  ：需要海量的计算资源和漫长的训练时间。

• 成本极高
  ：在四种方法中，它的成本是最高的，因为需要消耗大量算力、数据以及人力进行调试。

• 数据依赖
  ：模型最终效果完全取决于数据的质量和数量，数据不好，模型就好不了。

• 失败风险
  ：尤其是在探索未知领域时，模型失败或表现不佳的风险相对更高。

真实案例

假设你要开发一个能精确预测某特定区域天气的AI模型。因为这个区域的气候数据非常独特，且几乎没有现成的模型可用，那么从零开始训练一个新模型就是必然选择。

另一个著名的例子是OpenAI的GPT-3系列大语言模型。最初，这些模型都经历了极其广泛的训练过程，从互联网上汲取了海量的文本数据来理解和生成类似人类的文字。正是基于这种基础训练，GPT-3才能驾驭众多语言任务，并不断刷新AI能力的标杆。

总之，模型训练是AI发展的基石，提供了无与伦比的定制化和创新潜力。但它对资源的要求也很高，成本高昂，且带有天然的失败风险。因此，它更适合那些确实需要定制化解决方案，或试图在AI应用领域开疆拓土的场景。

微调：让通用模型变成领域专家

深入了解微调

在AI领域，微调就像让一位技艺精湛的画家，专注于某一画派，从而成为这个流派的顶尖高手。它涉及对一个预训练模型（即已经在大规模数据集上学到了通用模式的模型）进行针对性调整，让它能更好地完成某个专门任务或处理特定数据集。这个过程对于把通用的AI模型适配到特殊需求上至关重要，比如基于医学文献进行微调，从而得到一个更擅长回答健康护理问题的模型。

工作原理

• 从预训练模型起步
  ：过程从一个已经在广泛数据集上训练好的模型开始。这个模型有通用知识，但可能还没为你手头的任务做过优化。

• 使用专门数据
  ：然后，用一个与当前任务更相关的、更小的专门数据集，对这个模型进行“再训练”或者说“微调”。这就像给那位有经验的画家提供了一套新的颜色和一个特定的主题。

• 精调与优化
  ：在微调过程中，模型的参数会被微调，以便更好地理解和执行特定任务。相比最初的训练，这个过程需要的计算能力和数据量都要少得多。

什么时候该用微调？

• 任务明确
  ：适用于需要将模型通用理解与特定需求精确对接的任务。例如，让一个通用语言模型适应医学领域的专业术语。

• 资源有限
  ：当你负担不起从头开始训练一个完整模型所需的巨额资源时，微调是性价比很高的选择。

• 提升专项性能
  ：当你需要提高一个预训练模型在特定领域的准确率时。

优势

• 高性价比
  ：相比从头训练，所需的资源更少，成本更低。

• 见效快
  ：由于模型已经具备基础知识，微调能更快地取得更好的表现。

• 定向提升
  ：能显著增强模型在特定领域的能力，使其更相关、更准确。

挑战

• 依赖基础模型
  ：微调的效果严重依赖于预训练模型本身的质量和相关性。基础模型不好，微调也救不了。

• 过拟合风险
  ：如果微调的数据集太小或太特殊，模型可能会“学过头”，在训练数据上表现很好，但一遇到新的数据就露怯。

• 改进有上限
  ：微调能做的改进本质上还是在基础模型的能力圈里打转，无法彻底重塑模型的底层能力。

现实案例

假设你有一个专门做英语情感分析的AI模型。如果想让它同样能分析西班牙语的情感，那么用西班牙语的数据集对它进行微调，显然比训练一个全新的模型要高效得多。

再比如，你想把OpenAI的GPT模型优化成一个烹饪聊天机器人。它一开始经过广泛的通用文本训练，知识面很广。但为了在烹饪对话里表现出色，就需要用包含菜谱、烹饪指导和食物相关查询的丰富数据集对其进行微调。这种针对性训练会显著提升它对烹饪术语、方法和饮食偏好的掌握。微调后的聊天机器人就能更准确、更有针对性地回答食谱或烹饪技巧类的问题，真正变成一个在厨房里可以深入交流的专家助手。

总的来说，在GenAI的世界里，微调就是把一个通用模型打造成专业模型的艺术。它在效率和性能提升之间取得了很好的平衡，非常适合有针对性改进的场景。当基础模型足够扎实，但需要补充特定专业知识时，微调就是不二之选。

检索增强生成 (RAG)：为AI接入外部知识库

探索RAG

检索增强生成（RAG）是生成式AI领域的一项重大突破，它让大型语言模型（LLM）可以访问并利用其初始训练数据之外的海量外部信息。这好比一位学者，除了自己脑子里的知识外，还能随时访问一座完整、即时的图书馆。

RAG是如何工作的？

• 集成外部数据库
  ：RAG模型将预训练语言模型的能力与实时检索外部数据的功能结合在一起。这个过程就像去访问一个可以随时更新、动态变化的数据库。

• 查询与获取
  ：当接到一个查询时，RAG系统会首先搜索它的外部信息源，找到与之相关的资料。这一步对于生成准确、及时的答案至关重要。

• 知识融合
  ：然后，模型会将检索到的信息与自身已有的知识进行综合，最终生成信息全面、充分知情的回答。

什么时候该用RAG？

• 复杂问答
  ：非常适合那些需要涉及最新事件、专业领域知识，或者模型训练数据中根本没包含的详细信息的问题。

• 动态信息需求
  ：在信息持续快速更新的领域（如新闻聚合、金融分析或医学研究），RAG几乎可以说是必备的。

• 增强现有模型
  ：可以拓宽预训练模型的能力边界，尤其是在提供内容丰富、上下文相关的高质量回答方面。

• 减少模型幻觉
  ：在关键任务中，减少AI生成不准确或虚构信息的“幻觉”现象，RAG是有效的“特效药”。通过从可靠的外部数据库获取真实信息，模型可以给出更准确、可验证的答案。

优势

• 信息更广
  ：让AI模型能回答那些仅凭预训练知识无法处理的、需要详细和最新信息的问题。

• 实时响应
  ：知识库可以持续更新，确保AI提供的是当前最准确的信息。

• 应用多样
  ：适用于那些需要在信息处理中同时兼顾深度和广度的各类领域。

挑战

• 依赖外部源
  ：RAG模型的效果好坏，严重依赖于外部数据库的质量和可用性。数据库不准，答案自然就偏了。

• 系统集成复杂
  ：将检索系统与AI模型集成在一起，会带来不小的技术挑战和资源投入。

• 平衡相关性与准确性
  ：如何确保检索到的信息既相关又准确，是一个持续的挑战，尤其是在知识领域不断演变的情况下。

实际例子

假设你在开发一个医学诊断助手的AI，需要访问最新的医学研究和患者数据。RAG就可以让系统从医学数据库和期刊中实时检索并整合最新信息，提供更可靠的诊断支持。

另一个例子是，RAG技术正在通过AI研究助手，彻底变革学术研究。这些助手可以快速访问包含海量学术论文和期刊的知识库。当研究人员提出查询时，AI会利用RAG从这些数据库中提取最相关、最新的信息。对于医学或技术这类快速发展的领域，这一点至关重要，因为保持知识更新是刚需。不仅如此，这些AI工具还能对检索到的数据进行综合和总结，提炼关键发现，甚至提供新的研究方向建议。在做文献综述时，AI可以迅速整理并提炼出相关研究的核心观点，极大节省研究人员的时间和精力。

总的来说，检索增强生成代表了AI的一项重要进化，它极大扩展了语言模型的能力。通过利用外部数据库，RAG模型能够给出细节详尽、信息及时、内容丰富的回复，这让它在那些知识面广、信息迭代快的领域中价值非凡。当然，它的效果也取决于外部源的质量和系统集成的复杂度，这本身也是一种独特的挑战。

提示工程：释放AI潜力的钥匙

在生成型AI领域，提示工程通常是那个被低估的角色——它用一种看似简单、实则精妙的方式，从预训练模型中挖掘出惊人的能力。它的力量不在于改变AI的内部结构，而在于通过精心设计的提示词来巧妙引导输出。提示工程就像一位指挥家指挥管弦乐队，输出的质量很大程度上取决于指挥的技巧。在这个比喻里，AI是乐队，而提示词就是指挥棒。一个精心设计的提示，足以引导AI生成乍看之下似乎根本不可能的输出。

提示工程主要分为三种类型：

• Zero-shot (零样本提示)

• Few-shot (少样本提示)

• CoT (思维链提示)
  ：把思考和推理的过程也“教”给模型，帮助它提升推理能力。

Zero-shot 零样本提示

在Zero-shot提示中，我们只在用户的查询前面加上一条特定的指令，而不提供任何具体的例子。想象一下，你正在开发一个技术支持聊天机器人。为了让模型专注于提供技术解决方案，而不需要任何先前的例子，你可以在所有用户输入前都加上这样一个指令：

：
基于以下用户关注，提供技术支持解决方案。
用户关注：我的电脑无法开机。
解决方案：

通过添加这条指令，我们给了模型回答的上下文。即使没有明确给出具体的技术解决方案示例，这也是一种让模型专注于特定领域的方法。

Few-Shot 少样本提示

在少样本提示中，我们会在用户查询之前加上几个示例，这些示例本质上就是一对对“输入—期望输出”。

想象一下，你正在创建一个健康应用，希望语言模型能将菜肴分为“低脂肪”或“高脂肪”。为了引导模型，我们可以这样写提示：

根据脂肪含量对以下菜肴进行分类：烤鸡、柠檬、香草。
回答：低脂肪
根据脂肪含量对以下菜肴进行分类：含有重奶油和黄油的奶酪通粉。
回答：高脂肪
根据脂肪含量对以下菜肴进行分类：鳄梨土司配橄榄油
回答：

受到前面示例的启发，一个足够大、训练得足够好的模型，会很自然地回答：“高脂肪”。

少样本提示是让模型采用特定响应格式的好方法。回到那个技术支持的例子，如果我们希望模型的回复符合特定的结构或长度要求，通过少样本提示就能轻松实现。

链式思维提示 (Chain-of-Thought, CoT)

链式思维提示通过引导模型展示其推理的中间步骤，来实现更详细的问题解决。与少样本提示结合，可以显著提高那些需要深度分析后才能作答的任务的性能。

例如：
Subtracting the smallest number from the largest in this group results in an even number: 5, 8, 9.
A: Subtracting 5 from 9 gives 4. The answer is True.
Subtracting the smallest number from the largest in this group results in an even number: 10, 15, 20.
A: Subtracting 10 from 20 gives 10. The answer is True.
Subtracting the smallest number from the largest in this group results in an even number: 7, 12, 15.
A:

实际上，思维链提示也能与Zero-shot提示结合，来增强需要逐步分析的任务。回到我们的技术支持例子，如果我们想让模型表现更好，就可以直接要求它“逐步分解解决方案”：

根据以下用户问题，逐步分解技术支持解决方案。
用户问题：我的电脑无法开机。
解决方案：

一般提示和思维链提示区别

对于很多应用来说，对一个非常庞大的LLM进行基础的提示工程，往往就能获得足够准确的结果。它速度快、不需要大量计算能力，经济实惠。缺点是对于需要额外背景知识的场景，它的准确性和鲁棒性可能还不够。

为什么提示工程的潜力极度被低估

：提示工程被低估，很大程度上源于它看起来“太简单了”。表面上，它就像在搜索引擎里输入个问题一样，似乎不需要什么技巧。然而，这掩盖了设计有效提示词所需的精妙艺术和对模型行为的深刻理解。真正的技巧不在于“输入”这个动作，而在于语言的微妙使用、设计高效提示所需的创造力、对AI“思维方式”的理解，以及预测不同提示会如何塑造输出的能力。这些复杂性隐藏在“写提示”这个看似简单的行为背后，导致很多人低估了其中所需的专业知识。

：另一个原因在于提示工程过去的发展方式。与传统工程学科不同，后者有结构化的方法和严格的培训体系，提示工程在很长一段时间里看起来更像是一门“靠直觉”的艺术，而非严谨的技术。缺乏正式的结构和标准，让大家觉得它主要靠“试错”，而缺少系统性的原则。因为缺少被广泛认可的标准和方法论，人们往往意识不到它的复杂度和深度。

基础提示和专家级提示工程之间的区别，就好比日常对话跟一场有说服力的演讲之间的差别。大多数人都能进行基本对话，但要写出一篇能打动人、影响人的演讲，需要对语言、心理学和修辞学有更深入的理解。

如何弥补提示工程的差距

真正有效的提示工程，既是艺术也是科学。它需要你理解AI模型的能力与局限、语言的微妙之处，以及预测模型会如何解读和回应不同提示的能力。这种技能不是天生的，需要不断的实践、实验，以及对AI行为的敏锐直觉。

为了弥补这个差距并提升提示工程的实践水平，像《提示设计模式》(Prompt Design Patterns) 这样的开创性著作就很有价值。这本书为提示工程提供了一套结构化和系统性的方法，就像软件工程中的设计模式为构建高质量软件提供了现成的框架一样。

提示工程的使用时机：优先考虑效率与精通

在AI优化的工具箱里，提示工程应该被当成第一选择。在投入大量资源去做模型训练、微调或者更复杂的RAG之前，都建议先试试提示工程的潜力。很多时候，只要巧妙地设计提示词，就能有效满足需求，完全不需要额外投资其他更重的方法。

提示工程的效果完全取决于你对它细微之处的精通——理解语言的艺术和AI行为的科学。掌握了这项技能，你就能利用预训练模型的广泛能力，精确地让它按照你希望的方向产生结果。很多时候，仅靠提示工程就能达到目标，根本不需要那些更贵、更耗时的方法。

在AI优化策略中，提示工程是最经济的选择。它不需要大规模数据集、额外计算资源，也不需要训练或微调模型所耗费的大量时间。在预算和资源紧张的情况下，提示工程不仅是一个可行的方案，而且常常是最有效的方案。

适合提示工程的场景

• 创造性输出
  ：无论是生成独特内容、创作文学作品还是生成动态响应，提示工程都能实现高度的创造性和特异性。

• 快速验证
  ：当时间紧迫，需要快速测试不同方法或获得即时结果时，提示工程让你可以快速迭代并找到解决方案。

• 资源受限环境
  ：在无法获得额外训练或微调资源的情况下，提示工程不仅是首选，甚至可能是唯一可行的方案。

强调最便宜且往往最有效的路径

值得再强调一次：尽管提示工程是最经济的方法，但它往往也是最有效的。通过精心设计的提示词，来发挥复杂AI模型的全部能力，结果可能会让你惊讶。当然，这需要理解：设计有效的提示本身就是一门需要创造性和分析思维的技能。

提示工程应该成为任何AI优化工作的起点。它在成本效益和实际效能上提供了独一无二的结合，尤其是当你真正掌握了这项技术之后。对于很多AI应用而言，解决方案不在于重新构建或训练模型，而在于通过提示工程这门科学和艺术，巧妙地利用好现有的模型。

优势

• 效率
  ：不需要额外的训练或计算资源，非常高效。

• 灵活
  ：可以适应各种任务，而无需改变底层的模型。

• 创造力
  ：允许对模型输出进行极具创造性的控制。

挑战

• 依赖技能
  ：效果很大程度上取决于用户构建有效提示的能力。

• 试错过程
  ：通常需要反复实验，可能耗时。利用“Prompt Design Patterns”这样的模式库可以解决这个问题，并节省大量时间。

真实世界的案例

Google发布了其最先进的通用模型Gemini，在32个重要学术基准中的30个上超越了OpenAI的GPT-4。值得注意的是，Gemini Ultra是第一个在MMLU（大规模多任务语言理解）测试中以90%的分数超越人类专家的模型，该测试涵盖了数学、物理和伦理等多个领域的知识和问题解决能力。然而，微软研究的最新发现展示了GPT-4还未被发掘的潜力。通过运用一种源自Medprompt策略（该策略最初用于提高GPT-4在医学查询中的表现）的新提示技术，他们显著改进了GPT-4在通用领域的结果。这个改进版的Medprompt让GPT-4在MMLU测试中甚至超过了Gemini Ultra。这个突破再次强调了提示工程在最大化AI模型性能方面的巨大作用，而且是在无需进一步开发或训练模型的前提下实现的。

另一个案例是Anthropic的Claude 2.1，一个拥有巨大20万词元上下文窗口的AI模型。它同样是一个绝佳的例子，展示了提示工程如何显著增强AI的功能。该模型证明了，战略性提示构建在推进AI技术方面的关键作用。通过熟练地创建有效的提示，用户可以让Claude 2.1更高效地处理信息，有效地绕过它自身的一些固有限制。这个案例充分说明了提示工程对于充分发挥AI潜力的重要性，也强调了用户交互的质量与AI模型自身的能力同样重要。

总的来说，提示工程是AI工具箱中一个强大但常被低估的工具。通过巧妙的设计，它能释放AI模型的巨大潜力，在需要创造力和巧妙变通的领域里，它足以改变游戏规则。随着AI的不断发展，掌握提示工程的重要性只会越来越高，它提供了一条通往卓越结果的路径，而无需采用那些更消耗资源的方法。

深入比较分析

方法	定制化	资源需求	速度	适用场景
模型训练	最高	极高	极慢	全新领域、独特数据、前沿研究
微调	高	低	中等	提升模型在特定领域/任务的性能
RAG	中	中	中	需要实时、广泛外部知识的应用
提示工程	中-高	极低	极快	快速验证、创造性强、资源有限、发挥模型潜力

效率与灵活性：选择正确路径的艺术

在生成式AI的优化世界里，选择方法就像是规划最合适的路线：

• 模型训练
  ：这相当于修建一条全新的道路。投入巨大、耗时漫长，但能为高度定制化的AI模型铺平道路。不过，这也是一项庞杂的工程，很多时候并非必要或不可行。

• 微调
  ：这种方法就像对现有道路进行改造。你从一条已有的路（预训练模型）出发，根据新的需求进行针对性的调整。它比修新路需要的资源少得多，效果也很好，但最终还是受限于原始道路的基本结构。

• RAG
  ：把RAG放进来类比，就好比给这条路装上了可以从各处获取信息的动态路牌。RAG兼具了预训练模型的知识和获取外部最新信息的能力。相比模型训练和微调，它更加灵活，能适应新信息。当然，它的效率也取决于外部数据源的整合与处理，这可能需要额外的资源投入。

• 提示工程
  ：这种方法就像是找到了一条聪明的捷径。通过使用巧妙、有策略的提示词，引导预训练模型产生你想要的结果。它快速、灵活且资源高效，可以充分利用AI模型的能力，而不需要海量数据、强大算力或漫长的时间。这是将AI能力发挥到极致的一种创新方式，往往能以最小的投入获得令人瞩目的效果。

准确性和可扩展性：平衡精准度与覆盖范围

每种方法在准确性和可扩展性上也各有千秋：

• 模型训练
  ：如果使用高质量数据构建，可以达到卓越的准确性。但它更像是一种“广撒网”的方法，旨在赋予AI通用能力，适配各种任务。一个潜在的问题是，如果不做进一步的调整，它在特定任务上的精准度可能不够。

• 微调
  ：这种技术特异性更强。通过调整预训练模型，它可以被定制为在特定领域或任务中表现出色。不过，它的适应范围依然受限于基础模型。

• RAG
  ：在提供最新、最准确的信息方面表现突出。通过整合外部知识源，确保了AI能获取最新信息，对于需要当前数据的任务尤其有用。不过，它的可扩展性可能会受限于外部数据源本身的效率和可访问性。

• 提示工程
  ：或许是最多才多艺的方法。它极大地挖掘了预训练模型的固有潜能。通过构建合适的提示，你能引导AI执行各种任务，同时保持高准确性和良好的可扩展性。这种方法在最大化现有AI模型的能力方面表现出色，不需要进一步训练或大量资源。这也说明，释放AI潜力的关键，有时不在于构建更复杂的模型，而在于更聪明地与它们进行互动。

结论

每种AI优化方法都有其独特的优势：

• 模型训练
  ：适合用于打造全新的、突破性的应用。

• 微调
  ：用来对现有模型进行特定领域的深度改进。

• RAG
  ：适用于那些需要大量最新、实时信息的应用。

• 提示工程
  ：以最经济高效的方式，创造性地利用现有模型的强大能力。

理解并选择正确的方法，是确保你能充分发挥AI潜力、并让解决方案精准匹配需求和约束条件的关键。

总而言之，尽管这四种方法在AI生态中都扮演着重要的角色，但提示工程这门艺术，凭借其极低的成本、极高的效率和出色的灵活性，成为一个极其有效但远未被充分利用的工具。现在是时候让AI从业者和爱好者们认真审视并探索这种方法了，它为AI应用开辟了一片全新的视野。

记住，在人工智能的世界里，重要的不仅仅是模型本身的能力，还有你使用它的创造力和智慧。提示工程远不止是一个工具，它更像一块等待着艺术家去挥洒灵感的画布。

1. Optimizing GenAI: Comparing Model Training, Fine-Tuning, RAG, and Prompt Engineering | by Yi Zhou | Generative AI Revolution
2. Zhou, Yi. “Prompt Design Patterns: Mastering the Art and Science of Prompt Engineering.” ArgoLong Publishing, 2023.
3. “Microsoft proves that GPT-4 can beat Google Gemini Ultra using new prompting techniques.” Microsoft, 2023.
4. “Long context prompting for Claude 2.1”, Anthropic, 2023.
5. Azure Machine Learning. “Technical Overview of using RAG on Large Language Models (LLMs).” Microsoft Learn, 2023.
6. 小周带你正确理解Prompt-engineering,RAG,fine-tuning工程化的地位和意义 - 知乎 (zhihu.com)
7. Full Fine-Tuning, PEFT, Prompt Engineering, or RAG? (deci.ai)