針對 115 年度 iPAS AI 應用規劃師科目二「生成式 AI 應用與規劃」新增之評鑑內容，整理重點與精選題目解析如下：
一、 生成式 AI 核心變革重點
-
提示工程（Prompt Engineering）深度化：
- 從簡單的指令撰寫轉向更複雜的框架設計與優化。
- 新增技術項目： 包含 Few-shot（少樣本學習）、CoT（思考鏈）、ToT（思維樹） 與 APE（自動提示工程）。重點在於如何透過結構化提示引導 LLM 進行複雜邏輯推理。
-
檢索增強生成（RAG）實務應用：
- 核心功能： 讓 AI 在回答前先「查閱外部知識庫」，有效解決 AI 的**幻覺（Hallucination）**問題與知識過時問題。
- 評鑑重點： 著重於 RAG 架構的導入規劃，以及如何整合企業內部文件系統。
-
人工智慧代理系統（AI Agent）：
- 技術躍升： 從「對話機器人」進化為能自主任務規劃、執行 API 調用並進行多代理協作的系統。
- 關鍵協議： 納入最新的 MCP（Model Context Protocol） 模型上下文協議等架構考量。
-
現代化開發與導入工具：
- 編輯器體驗： 區分 Cursor（強項在於跨檔案的上下文理解）與 GitHub Copilot（強項在於代碼行內補全）。
- 企業平台： 納入 Copilot Studio 等 No-code / Low-code 工具，強調 AI 民主化與快速原型開發。
-
導入評估框架（技法組效）：
- 企業導入 AI 必須從四大面向評估：技術面向、法規面向、組織面向、效益面向（簡稱「技法組效」）。
- 風險管理： 強調個人識別資訊（PII）處理、資料最小化原則、去識別化，以及 AI 生成內容必須經由人類覆核的問責機制。
精選練習題與解析
題目 1：在企業導入生成式 AI 系統時，若希望有效解決大型語言模型（LLM）因缺乏即時資訊而產生的「幻覺」現象，應優先考量下列哪項技術？ (A) 增加模型微調（Fine-tuning）的資料量 (B) 使用更長的核心採樣（Nucleus Sampling）參數 (C) 導入檢索增強生成（RAG）架構 (D) 擴大模型的參數量（Parameter Size）
- 解答： (C)
- 解析： RAG 技術讓模型在回答前先從外部資料庫檢索相關事實，是目前公認降低幻覺與解決時效性問題最直接且有效的方法。
題目 2：關於提示工程（Prompt Engineering）技術，下列何者能引導模型逐步拆解問題，並展現邏輯推理過程以提高答案準確度？ (A) Zero-shot (B) Chain of Thought (CoT) (C) Automatic Prompt Engineering (APE) (D) Few-shot
- 解答： (B)
- 解析： CoT（思考鏈）透過提示模型「一步步思考」，引導其在輸出最終答案前先進行中間邏輯推理。
題目 3：根據 115 年度考綱定義，AI Agent（人工智慧代理）與傳統 Chatbot（聊天機器人）最顯著的技術區別為何？ (A) 能更精準地識別使用者的語氣與情緒 (B) 具備自主任務規劃、工具使用與 API 調用的能力 (C) 能夠支援更多種語言的即時翻譯 (D) 僅能處理文字資訊，無法處理多模態資料
- 解答： (B)
- 解析： AI Agent 的核心特質在於其自主性，能根據目標主動調用外部工具（如執行 Python 代碼、查詢資料庫 API），而非單純被動回應。
題目 4：某製造業公司在導入 AI 專案時，特別針對「既有工作流程的變動幅度」以及「員工接受度」進行分析。這屬於導入評估（技法組效）中的哪一個面向？ (A) 技術面向 (B) 法規面向 (C) 組織面向 (D) 效益面向
- 解答： (C)
- 解析： 組織面向專注於評估 AI 對組織架構、員工心理及業務流程變革帶來的影響。
題目 5：關於開發工具 Cursor 與 GitHub Copilot 在 115 年度評鑑中的區分重點，下列敘述何者正確？ (A) Cursor 僅限於單一檔案代碼生成 (B) GitHub Copilot 是獨立的作業系統，Cursor 是網頁工具 (C) Cursor 提供深度整合的「跨檔案上下文理解」，GitHub Copilot 則以「行內自動補全」著稱 (D) 兩者功能完全重疊，考綱僅視為同義詞
- 解答： (C)
- 解析： Cursor 強調的是整個編輯器級別的 AI 理解力（全專案感知），而 Copilot 最初的核心競爭力在於代碼編輯器中的即時補全功能。