115年第二次初級AI應用規劃師_第二科_生成式AI應用與規劃_公告試題
三句話摘要
企業導入生成式 AI 的技術選型、應用場景與安全治理全面解析。 企業 AI 落地的成敗，不在於工具多先進，而在於能否針對場景選對平台、管好 Token 成本、建立資安多層防禦，並在治理框架下讓創新與風險控制並行。 低代碼 / 無代碼平台有明確的適用邊界：對技術資源不足的團隊，無代碼工具可透過拖拽快速串接 AI 檢測、通知、報表；但毫秒級延遲的高頻交易系統因底層框架通用，無法深度調效，仍需傳統開發。
重點整理
重點- 1
低代碼 / 無代碼平台有明確的適用邊界：對技術資源不足的團隊，無代碼工具可透過拖拽快速串接 AI 檢測、通知、報表；但毫秒級延遲的高頻交易系統因底層框架通用，無法深度調效，仍需傳統開發。
- 2
Token 是大語言模型計費與容量的核心單位：輸入越長 Token 越多，費用越高；每個模型有最大 Token 上限，超出即截斷，企業應動態分配資源預算（簡單案件少 Token，複雜案件多 Token）以兼顧準確率與成本。
- 3
多代理系統的資訊同步是關鍵風險點：金融場景中，市場分析代理更新資料後若風險評估代理未及時同步，將基於舊資訊做出錯誤交易決策，凸顯各代理間同步機制的重要性。
- 4
提示詞注入是企業 AI 系統的頭號資安威脅：攻擊者可在用戶輸入或外部網頁中嵌入惡意指令，誘使模型繞過安全策略或洩露系統內部提示；有效防禦需多層架構：輸入驗證、輸出監控模型、最小必要權限三管齊下。
實用技巧與重點
乾貨- 工具 / 平台
- Midjourney：生成產品瑕疵模擬圖片
- ChatGPT：撰寫技術文件等自然語言任務
- GitHub Copilot / Cursor：根據程式碼上下文自動補全代碼
- MCP（Model Context Protocol）：推理時動態拉取最新 API 文件作為上下文補充
- AutoML：自動選模型、做特徵工程，讓非數據科學背景人員也能上線情緒分析模型
- 技術方法
- CLIP 模型：將文字與圖片映射至同一向量空間，用餘弦相似度判斷匹配程度
- RAG（Retrieval-Augmented Generation）：檢索外部知識庫 + 生成式 AI 組合，無需重新訓練即可反映最新文件
- ReAct Prompting / Tree of Thought / Self-Consistency：皆為思維鏈推理的延伸提示詞技術
- 少樣本提示（Few-shot Prompting）：提示中帶入 3 個人工批改示例，引導模型模仿批改邏輯
- 少樣本微調（Few-shot Fine-tuning）：效果更好但需注意過擬合
- 強化學習精調：透過獎勵機制減少對標注數據的依賴，適合醫療等標注樣本稀少場景
- 差分隱私（Differential Privacy）：統計查詢結果加入微小隨機誤差，防止反推個人隱私
- 架構概念
- Encoder-Decoder：Decoder 逐詞預測，結合 Encoder 語義表示生成連貫回覆
- 解決方案圖（Solution Graph）：有向無環圖，將複雜任務拆解為節點與依賴邊，供 AI 代理逐步執行
- 任務規劃器（Task Planner）：將大目標拆解為子任務並生成詳細執行方案
- 成本 / 效益數字
- 退費自動通知範例閾值：金額超過 1 萬元 自動通知主管
- AI 總體擁有成本（TCO）除模型調用費、雲端算力、GPU 外，還應含：系統整合、維護、資料治理、人員培訓
結論
結論“企業 AI 落地的成敗，不在於工具多先進，而在於能否針對場景選對平台、管好 Token 成本、建立資安多層防禦，並在治理框架下讓創新與風險控制並行。”
完整解析
詳細生成式 AI 在企業落地時，第一個抉擇通常是平台選型。低代碼與無代碼平台的優勢在於讓非技術背景人員透過圖形介面快速搭建應用，例如會計事務所可用低代碼平台設定規則自動擷取各種格式報銷單的關鍵資訊，或在客服流程中設定「退費金額超過一萬元自動通知主管」的條件分流。然而這類平台的記憶與上下文管理能力有限，面試機器人常見的「每次對話像初次見面」問題，根本原因是後台未建立對話歷史儲存機制；解決方式是在每次用戶輸入時，將歷史對話一併送給模型，或使用具備狀態管理的服務。此外，一旦選用封閉平台且缺乏標準 API 與開放資料格式，企業將面臨廠商鎖定，未來遷移成本極高，因此平台的整合能力（API、Webhook、開放架構）是選型時的核心考量。
在技術層面，Token 是大語言模型計費與容量的基本單位，輸入越長費用越高，且每個模型有最大 Token 上限，超出即截斷，企業須主動管理長度。CLIP 模型透過將文字與圖片映射至同一向量空間並計算餘弦相似度，實現以文搜圖；AutoML 讓行銷部門無需數據科學背景即可上線情緒分析模型；MCP 協議則讓模型在推理時動態拉取最新 API 文件，確保生成代碼符合最新接口規範。在記憶需求上，長期記憶通常整理為關鍵資訊，在每次新對話時一併交給模型作為參考，使回應更連貫個性化。對於知識庫即時性需求，RAG 架構是最佳解——不必重新訓練，只需將最新文件定期更新至外部知識庫，查詢時先檢索再生成，回答具有可追溯來源。
AI Agent 相較於傳統自動化系統的核心突破，在於它能以目標驅動動態決策，而非執行預設腳本。ReAct 架構即為典型應用：分析新創公司融資情況時，Agent 可邊推理邊調用工具，發現資料不足即自動補充蒐集，而非一步步執行寫死的流程。多代理系統中，各代理的資訊同步至關重要——金融場景中若市場分析代理更新後風險評估代理未及時同步，將基於過時資訊做出錯誤交易決策。智慧配送系統的任務規劃器則扮演「大腦」角色，將「從高雄送冷凍貨物到台北三門市」這類大目標，自動拆解為查車輛狀況、計算最優路線等子任務並生成執行方案。
安全與治理是企業 AI 落地不可迴避的議題。提示詞注入是最常見威脅：攻擊者可在用戶輸入或外部網頁中嵌入惡意指令，誘使模型繞過安全策略或洩露系統提示，防禦需多層並行——嚴格輸入驗證、輸出監控模型、最小必要權限。機密文件應在隔離環境中處理，避免混入普通流程。統計查詢服務則可透過差分隱私（加入微小隨機誤差）防止攻擊者透過多次查詢反推個人隱私。醫療 AI 的黑箱問題則衍生法律困境：診斷出錯時，醫生與廠商均無法說明判斷依據，責任歸屬難以釐清，患者信任度也隨之下降。在企業評估 AI 投資回報時，除顯性成本外，還應將系統整合、維護、資料治理、人員培訓，以及客戶滿意度提升、品牌聲譽等無形效益一併納入計算。
關鍵時刻
Pipeline v2帶時間戳的重點，會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。
事實查核
Pipeline v2說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。
