這份文件為 114 年第四次 AI 應用規劃師 - 初級能力鑑定（第二科：生成式 AI 應用與規劃） 的公告試題 1。相較於第一科的基礎概論，這一科更著重於 大型語言模型（LLM）的實務操作、提示工程（Prompt Engineering）以及生成式 AI 的企業應用場景 222222。
以下將 50 題核心考點區分為四大關鍵領域進行深度解析：
一、 提示工程與模型優化技術 (第 2, 4, 10, 15, 20, 26, 30, 41 題)
這部分是考試中佔比最高的部分，側重如何透過技術手段提升 AI 輸出的品質 3333。
提示工程 (Prompt Engineering) 技術：
少樣本提示 (Few-shot Prompting)：提供少量範例（輸入與輸出對）引導模型學習新任務 4444。
思維鏈 (Chain of Thought, CoT)：要求模型展示推理過程，能有效提升處理邏輯難題的能力 5555。
角色扮演 (Role-playing)：為模型設定特定身份（如律師或工程師）以調整專業語氣 6666。
模型參數調整：
Temperature (溫度)：控制生成的隨機性。數值越高（如 0.8 以上）輸出越具創意，數值越低（如 0.2）輸出越穩定一致 77。
Top-P (核取樣)：限制模型只從機率累積達到 P 值的詞彙中選擇，平衡多樣性與邏輯性 88。
知識更新與外部擴充：
RAG (檢索增強生成)：解決 LLM 「幻覺 (Hallucination)」 與 「訓練數據過時」 的最佳方案，透過外部知識庫提供精確事實 999999。
微調 (Fine-tuning)：針對特定垂直領域數據對模型進行參數訓練，改變模型的行為模式 10101010。
二、 大型語言模型 (LLM) 的運作機制 (第 7, 8, 12, 17, 21, 28 題)
理解模型底層結構對於規劃 AI 應用至關重要 111111。
Transformer 模型架構：
自注意力機制 (Self-Attention)：允許模型在處理文字時，同時考慮上下文不同權重，解決長文本依賴問題 12121212。
Token (權杖/詞元)：模型處理文字的基本單位，通常一個單字會拆解成多個 Token 1313。
模型類型與生命週期：
災難性遺忘 (Catastrophic Forgetting)：模型在微調新知識時，會逐漸忘記先前預訓練獲得的廣泛能力 1414。
推理與批次推論：如何在高流量環境下分配 GPU 資源以降低延遲 151515。
三、 企業應用規劃與實務流程 (第 13, 14, 21, 31, 33, 34, 42, 44 題)
考題模擬了企業導入 AI 時可能遇到的實際問題 161616161616。
專案導入流程：通常包含「需求分析 -> 原型開發 (PoC) -> 測試驗證 -> 正式部署」 17171717。
跨領域應用情境：
醫療領域：建立聯邦學習 (Federated Learning) 以在不洩漏病患隱私的情況下共享模型權重 18181818。
金融領域：運用 AI 進行反洗錢 (AML) 偵測或個人化理財建議 191919。
零售領域：結合向量數據庫 (Vector Database) 實現高效的產品語意搜尋 2020。
系統效能與成本評估：涉及 API 呼叫成本（Token 計費）、回傳延遲 (Latency) 以及資料隱私規範 212121。
四、 生成式 AI 倫理、治理與法規 (第 1, 9, 10, 23, 25, 49 題)
此領域緊跟最新政策，考生需熟悉國內外相關規範 222222222222。
法規知識：
《人工智慧基本法》草案 (2025年9月)：確立了人工智慧的創新、風險分級與倫理原則 23。
監理沙盒 (Regulatory Sandbox)：提供一個受控的環境，允許企業在正式監管前進行創新實驗 24。
安全評測項目：
事實正確性：檢驗模型是否胡言亂語（幻覺） 252525。
去偏見 (Data Debiasing)：在訓練階段調整數據比例，避免模型產生性別、種族歧視 26262626。
當責性、透明度與安全性：數位部對於生成式 AI 的重點評核標準 272727。
💡 實戰答題技巧
關鍵字對應：看到「幻覺/數據過時」應優先聯想 RAG 28282828；看到「訓練速度/收斂」應聯想 ReLU/標準化 29。
邏輯推理：對於沒看過的場景題，優先選擇符合「隱私保護」、「風險控管」與「人機協作」原則的選項 303030。