第四梯次初級AI應用規劃師
生成式AI應用與規劃

在 Low Code 平台的開發應用設計中，關於「模型（Model）」，下列敘述何者最符合實際情況？

1. A模型僅扮演設計視覺化的輔助工具，對應用邏輯的影響有限
2. B模型是用來抽象描述資料結構、業務流程與介面邏輯的核心元素，影響應用的設計與維護
3. C模型僅依循 UML（Unified Modeling Language）等傳統建模方式，缺乏針對 Low Code 環境的延展性
4. D模型在 Low Code 平台中已被自動程式碼生成全面取代，實際價值有限

企業在導入生成式 AI 平台時，若需利用分散於不同部門或機構中的大量敏感文本資料，希望在確保隱私前提下仍能讓模型持續優化並降低資料外洩風險，下列哪一種方法最適合？

1. A同態加密（Homomorphic Encryption）
2. B安全多方計算（Secure Multi-party Computation）
3. C零知識證明（Zero-knowledge Proofs）
4. D聯邦學習（Federated Learning）

某企業利用 No Code/Low Code 平台開發內部營運系統。為確保系統在跨部門流程與外部服務整合下仍具良好的可測試性（Testability），下列哪一項作法最為合適？

1. A依賴 No Code/Low Code 平台提供的即時預覽與基本單元測試功能，快速驗證常見流程
2. B導入可重複執行的自動化測試流程，並透過 API 或服務虛擬化進行模組化驗證
3. C將測試聚焦於使用者介面互動與操作流程驗證，檢查系統表面功能
4. D依靠使用者回饋與正式上線後的監控資料，作為修正依據

某社交平台結合自動提示工程（APE）與圖提示（Graph Prompting），讓 AI 分析使用者互動關係。在這個過程中，最可能遇到的挑戰為何？

1. A圖結構轉換為文字提示時，可能導致部分關聯資訊遺失
2. BAPE 在圖資料上無法產生任何提示內容
3. C圖轉文字後能完整保留所有上下文，對推理不造成影響
4. DGraph Prompting 僅能處理線性路徑，限制多分支探索

在超長上下文任務中使用自動提示工程（Automatic Prompt Engineer, APE）時，可能面臨的最大限制是什麼？

1. A迭代優化難以因應上下文的不斷變動，導致調整失效
2. B模型的記憶容量有限，無法完整保留所有長篇資訊
3. C提示內容難以有效分解，無法支援複雜任務拆解
4. D回饋機制通常僅針對局部片段，難以全面評估最終輸出品質

某設計團隊要在短時間內完成行動應用程式，需兼顧高度個人化體驗、快速生成介面與行銷內容自動產出。結合 No Code/Low Code 與生成式 AI，下列哪一種整合策略最符合目標？

1. A使用生成式 AI 自動產生 API 呼叫與元件配置，並由開發者手動整合至 No Code 平台流程
2. B透過生成式 AI 在 No Code 平台中自動建立介面模板，並結合使用者數據即時生成個人化功能與行銷推播內容
3. C在 No Code 平台中導入生成式 AI，快速建立跨專案可重用的通用模組，專注於提升開發速度
4. D在 No Code 平台中完全依賴生成式 AI 自動產生所有應用功能與流程，不經人工設計或驗證

某團隊希望 AI 自動查詢 GitHub 程式碼庫並生成摘要，決定透過 Model Context Protocol（MCP）實現，由 AI 發出請求再經 MCP 架構完成查詢與回傳。在此情境下，MCP 運作流程的正確順序為何？

1. AMCP Server→AI Host→MCP Client→資料查詢→結果回傳 AI Host
2. BMCP Client→AI Host→MCP Server→資料查詢→結果回傳 AI Host
3. CAI Host→MCP Client→MCP Server→資料查詢→結果回傳 AI Host
4. DAI Host→MCP Server→MCP Client→資料查詢→結果回傳 AI Host

在 Agent-to-Agent（A2A）架構中，不同代理人分工合作。一般而言，下列敘述何者最符合 Client Agent 與 Remote Agent 的互動流程？

1. ARemote Agent 主動分派任務給 Client Agent
2. B由人工事先設定 Client Agent 與 Remote Agent 處理任務的先後順序
3. CClient Agent 發起任務，Remote Agent 執行並回傳結果
4. DClient Agent 與 Remote Agent 同時處理任務並同步處理結果

在導入生成式 AI 的應用規劃中，上下文工程（Context Engineering）的核心目的為何？

1. A縮短模型訓練時間
2. B優化提示與上下文
3. C增加模型參數數量
4. D優化 Fine-tuning 正確率

某公司導入生成式 AI 撰寫內部報告，測試人員刻意在上下文放入矛盾資訊（例如同一員工被描述為「入職三年」與「入職五年」）。在這種情況下，最常見的模型行為會是什麼？

1. A永遠選擇第一段資訊作為答案依據
2. B可能生成幻覺或隨機採信其中一方的內容
3. C拒絕回答，並要求提供更一致的輸入
4. D自動判斷並只選擇正確的資訊

Agentic AI 在解決方案圖譜（Solution Graph）上尋找最佳解決路徑時，通常會使用什麼樣的搜尋策略？

1. A使用廣度優先、深度優先或最佳優先等演算法進行探索
2. B每一步都隨機選擇動作，反覆嘗試直到找到一條可行路徑
3. C只執行事先假定的一條路徑，失敗就停止
4. D完全依靠 LLM 一次性推斷最優完整路徑

某企業考慮將開源大型語言模型（GPT OSS）自行部署在本地伺服器以取代雲端服務。下列何者最能代表本地部署對企業的實際好處？

1. A可以達到無運算成本，因為本地部署模型不會產生額外的資源消耗
2. B模型的預測能力會比在雲端運行時更精度，因為本地環境更加可靠
3. C可確保輸入模型的敏感資料不會傳輸給第三方，提升資料隱私和自主控制
4. D以上皆是

關於 GitHub Copilot，下列敘述何者正確？

1. AGitHub Copilot 基於程式碼片段查詢工具，透過後端搜尋大型程式碼資料庫提供建議
2. BGitHub Copilot 僅適用於 GitHub 上的開源專案，無法在私有程式碼庫或本地環境中提供程式碼補全建議
3. CGitHub Copilot 利用靜態分析技術分析程式碼，根據邏輯流程推導下一步應寫的程式碼
4. DGitHub Copilot 由 OpenAI 的 Codex 模型提供技術支援，可即時在開發者編輯程式碼時給出整行或整個函式建議

某電商公司導入 Agentic AI 處理客服，發現 Agent 回答 FAQ 常出錯，且無法修改訂單。最可能是缺少哪兩項工具或技術？

1. AAPI 調用（API Calling）＋ 任務規劃器（Task Planner）
2. B向量資料庫檢索（Vector Retrieval）＋API 調用（API Calling）
3. C向量資料庫檢索（Vector Retrieval）＋任務規劃器（Task Planner）
4. D任務規劃器（Task Planner）＋溫度參數（Temperature）設定

某客服自動回應系統希望依客戶群體調整回覆風格，需兼顧即時性與效果，下列哪一種方案最適合？

1. A直接微調預訓練模型針對每個客戶群體分別訓練不同風格模型
2. B利用控制變量（Control Tokens）或風格標籤在同一模型內動態調整風格
3. C利用生成對抗網路（GAN）生成不同風格文本，並透過人工篩選最終答案
4. D採用規則式替換方法，替換回覆詞彙以符合不同風格要求

在建置多代理大型語言模型（Multi-agent LLMs）系統時，若未清楚定義每個代理的任務啟動條件和角色分工，最可能出現什麼問題？

1. A回覆內容前後不連貫，系統邏輯斷裂
2. B不同代理的答案互相衝突，無法判斷最終決策
3. C系統陷入無限對話循環，導致資源耗盡
4. D多個代理重複做同樣的任務，造成效率低落

某公司部署結合 Fine tuning 與檢索增強生成（RAG）的語言模型系統作為內部文件助理。系統需同時確保回覆語氣一致、能即時查詢每日新增文件、維持效能穩定，並避免頻繁重新訓練。在長期維護與效能平衡下，下列哪一種策略最合適？

1. A每週重新 Fine-tune 模型，將新文件整合進模型知識，逐步取代 RAG 模組
2. B完全依靠基礎模型與 RAG，不進行 Fine-tune，僅透過提示設計控制語氣
3. C每日進行增量 Fine-tune，讓模型即時學習新文件內容，避免依賴檢索
4. D保留語氣相關 Fine-tuning，僅透過檢索系統更新文件內容，不頻繁改動模型

某客服系統在回覆「訂單取消政策」時，即使生成溫度固定為 0.6，回覆品質仍常出現差異。調查發現檢索到的政策內容有時是最新版本、有時是過時文件，Prompt 約束不足，微調語料也有模糊描述。若要優先改善品質波動，應先解決哪一項問題？

1. A調整溫度參數，降低生成隨機性
2. B加強 Prompt 設計，限制模型表達方式
3. C優化微調語料，減少含糊描述
4. D提升檢索系統品質，確保取得的政策內容正確且最新

某醫院導入智慧系統，由語音辨識（ASR）→ 語言模型（LLM）→ 查詢醫療資料庫 API。發現醫師問「術後復健流程」時，系統卻查到「術前注意事項」，且已排除 ASR 錯誤。最可能的錯誤來源為何？

1. A醫療資料庫 API 對應規則設計不清，造成意圖映射模糊
2. BLLM 的 Prompt 缺乏明確指示，導致語意分類判斷錯誤
3. C查詢 API 回傳速度過慢，影響系統處理正確性
4. DLLM 未經醫療領域微調，難以正確理解專業性詞彙

某醫院規劃 AI 專案，希望從胸腔 X 光判斷是否有肺炎徵兆，但誤將生成式 AI 模型用於影像診斷。下列哪一項最可能成為主要風險？

1. A模型在生成報告時語句流暢，但僅在文字表達上有差異，對診斷結果沒有重大影響
2. B模型若資料不足，僅會降低生成報告的完整性，而非影響判斷病灶的正確性
3. C模型偏向生成內容而非分類，但此差異僅影響效率，不會造成誤診風險
4. D模型可能生成與實際影像不符的診斷結論，導致誤判並引發醫療與法律風險

某智慧車載語音助理，可透過語音辨識（ASR）辨識駕駛語音，再由 LLM 生成回答並查詢車載 API。測試中發現：ASR 對汽車專業術語辨識錯誤率高；LLM 的回覆常不精確；系統回覆延遲雖存在但仍可接受。若目標是「優先提升準確性與回答品質」，下列改進步驟的最合理執行順序為何？1. 擴充並標註汽車領域語音資料，微調 ASR 模型 2. 微調 LLM 並加入檢索增強（RAG）3. 優化系統架構，引入批次推論降低延遲 4. 動態調整生成溫度，平衡準確度與多樣性

1. A1 → 2 → 4 → 3
2. B2 → 1 → 3 → 4
3. C1 → 3 → 2 → 4
4. D3 → 1 → 2 → 4

某顧問公司使用生成式 AI 協助撰寫數據分析報告，模型表現優異，但報告多半只套用固定段落結構與替換數值，未展現多樣化推理與分析。最合理的解釋為何？

1. A模型缺乏對字體與排版的優化能力，因此無法展現分析邏輯
2. B測試資料涵蓋過多統計圖表，導致模型無法專注於文字內容的多樣化表達
3. C模型過度依賴訓練語料中的常見報告範式，導致生成結果以樣板化結構取代真正的推理
4. D模型因無法正確辨識報告中的頁碼與標題層級，才出現樣板化的結果

在應用零樣本提示（Zero-Shot Prompting）時，下列哪一種情境最可能因缺乏示範而失敗，出現語意錯誤或結構錯誤的輸出？

1. A要求模型判斷一段影評文字的情感傾向
2. B要求模型將一段新聞摘要濃縮為一句話
3. C要求模型將一段繁體中文翻譯成英文
4. D要求模型從表格中擷取所有城市的最高氣溫

某保險公司計畫導入生成式 AI 的內部合約查詢系統，協助業務員與法務部門快速解讀保單條款與理賠規範。高層特別強調客戶資料隱私與合規風險控管，即使需要投入較多資源，也必須確保資料不會外洩。在此情況下，下列哪一種策略最符合公司的資料安全與合規優先考量？

1. A導入開源模型並由 IT 團隊自建，後續再逐步補強隱私與合規控管
2. B在需求確認階段即納入法遵與稽核單位，設定準確率 KPI，並透過 MVP 驗證成效
3. C優先使用雲端大型 API 模型快速部署，並根據使用數據持續調整
4. D投入資源自訓並私有化部署 LLM，並同步建立自動化風控機制

某新創公司開發一套圖像描述生成系統，能根據輸入的照片自動產生說明文字。為了讓產生的描述文字能與圖片資訊精準對應，下列哪一種設計思路最關鍵？

1. A強化語言模型的句法與流暢性，確保生成文字更自然易讀
2. B在生成過程中結合圖片特徵與語言建模，讓模型同時利用影像內容與文字資訊
3. C調整生成策略（如 Beam Search 或溫度參數），以提升輸出文字的合理性
4. D專注於文字序列上下文的建模，只提升文字間的連貫性

某電商平台希望商品描述在風格與用詞上保持一致，但不需要新增專業知識。下列哪種方法最適合？

1. A擴充語料庫並微調模型，使風格統一
2. B增加提示詞複雜度，引導模型風格一致
3. C降低生成溫度，以減少隨機性並提升風格一致性
4. D使用全連接神經網路對生成結果後期篩選

某企業已建置 AI 語音記錄系統，希望整合生成式 AI 提供「會議即時摘要」，下列哪一種策略最能提升摘要的語意品質與使用價值？

1. A使用語音轉文字模型即時輸出逐字稿並轉入 GPT 摘要
2. B將語音逐段切分並建立關鍵字索引，以利摘要模型從中擷取核心內容生成會議重點
3. C將語音轉文字後標註發言角色與主題邊界，結合語意分群進行動態摘要
4. D將所有語音內容儲存為完整紀錄，提供事後人工摘要比對用

某公司正在開發一個智慧客服系統，負責回覆顧客關於退換貨、優惠活動與商品建議等問題。研發團隊嘗試使用不同的提示設計方式來提升模型效能。下列哪一個提示最符合「少樣本提示（Few Shot Prompting）」的設計原則？

1. A「請回答顧客詢問：如何申請退貨？」
2. B「以下是兩組客服對話範例，請依照相同風格回覆新的顧客問題」
3. C「請逐步分析顧客投訴的原因，並依照推理過程生成合適回覆」
4. D「請以正式的語氣回覆顧客的提問」

某投資公司導入生成式 AI 即時分析股市波動並提供市場背景資訊，若希望兼顧「即時性」與「可靠性」，哪一項設計最能有效提升表現？

1. A將 AI 系統連結至公司內部歷史交易資料庫，以便快速調用既有的案例參考
2. B調整模型的回應邏輯，讓 AI 優先輸出最新市場行情，而不是完整的背景分析
3. C建立與外部即時行情來源同步的查詢模組，確保 AI 能即時擷取最新金融數據
4. D增加訓練資料中模擬的金融危機與市場異常案例，以提升 AI 在特殊情境下的表現能力

某大型物流公司導入 AI 改善客服與配送效率，專案團隊規劃以下步驟：1. 建立符合公司服務流程的 AI 對話邏輯與應答範本 2. 明確定義導入 AI 的目標並設定 KPI 3. 蒐集與清理過往客服紀錄與配送相關資料 4. 評估並選擇合適的 AI 技術供應商或開源方案。正確執行順序為何？

1. A2 → 3 → 4 → 1
2. B3 → 2 → 1 → 4
3. C2 → 1 → 3 → 4
4. D1 → 4 → 3 → 2

某跨國電商企業導入生成式 AI，協助處理顧客服務請求，並根據顧客歷史訂單提供個人化建議。資安與法遵部門擔心 AI 在回覆時可能洩漏顧客個資，若要在導入初期優先避免觸法風險，下列哪一項措施最符合要求？

1. A在加密環境下導入完整的顧客訂單與行為資料，並透過嚴格存取控管降低洩漏風險
2. B實施資料最小化與去識別化，確保 AI 在訓練與生成過程中不直接處理或暴露敏感個資
3. C強化模型的回覆審查流程，透過自動過濾與人工抽查結合，降低個資外洩的機率
4. D設定 AI 的角色與回覆範圍，讓其專注於客服相關內容，避免回答其他敏感議題

某國際銀行導入生成式 AI，用於彙整不同國家金融監管機構的合規規範，建立跨國合規知識庫。由於各國條文表述方式不同，且監管要求具有高度專業性與隱含邏輯，若要確保知識庫在後續查詢與生成報告時能維持正確性與一致性，下列哪一項 AI 能力最為關鍵？

1. A具備跨語言專業術語對齊與條文語意抽取能力，能正確辨識不同國家規範間的對應與差異
2. B能自動最佳化文件檢索效率，縮短跨國法規查詢的延遲時間，提升合規部門使用體驗
3. C能將合規文件轉換為多種輸出形式（如簡報、摘要或法規清單），以符合不同決策層級需求
4. D具備根據歷史案例生成合規解釋的能力，協助新進員工快速理解法規在實務上的應用

在企業導入 MLOps 的過程中，除了模型部署與維運挑戰外，仍可能面臨其他推動上的困難。下列何者為 No Code 平台最能有效解決的挑戰？

1. A自動化大量資料的標註與前處理，以降低數據準備成本
2. B提升運算基礎設施的可擴展性，以因應大規模服務需求
3. C透過可視化建模介面，降低技術門檻並促進跨部門協作
4. D提供進階特徵工程能力，優化高維度數據的處理效率

某醫療機構導入生成式 AI 協助撰寫病歷摘要，在技術測試階段，為確保系統能安全應用於臨床，最應優先關注哪一項指標？

1. A資料儲存與存取架構的完整性，確保長期運作過程中的數據可追溯性
2. B生成內容的醫療準確性與臨床一致性，避免出現錯誤或誤導性資訊
3. C模型在不同病例語境下的泛化能力，確保不因個別樣本而偏差
4. D系統回應時間的穩定性，以支援醫療場域中可能的即時需求

在即時客服系統的效能測試中，若針對延遲測試（Latency Testing）進行評估，下列哪一項指標最能反映系統是否符合用戶即時互動需求？

1. AAI 模型在同一分鐘內可完成的回覆訊息數量
2. B客戶從輸入問題到收到第一個完整回應所需的時間
3. C客服系統能連續提供服務的運行時長
4. DAI 產生回答時用詞的多樣性與表達創意程度

某航空公司導入生成式 AI 聲控客服，提供航班與票務查詢。有人透過惡意提示試圖讓系統洩漏內部安檢流程。降低提示攻擊（Prompt Injection）風險的最佳策略為何？

1. A導入輸入檢測與回應審核流程，防止敏感指令被執行
2. B限制 AI 可回應的主題範圍，使系統僅回答非敏感的航班與票務查詢
3. C隨機變化回覆內容，讓攻擊者難以預測回應行為以增加攻擊難度
4. D擴充與更新航班與票務資料來源，以提升模型的知識正確性與覆蓋率

在機器學習實務應用中，數據漂移（Data Drift）主要指的是哪一種情況？

1. A訓練時使用的資料分佈，與部署後實際輸入資料的統計特徵隨時間逐漸出現差異，導致模型表現衰退
2. B在資料前處理過程中，因特徵刪減或缺失補值不當，造成樣本資訊量下降
3. C模型對訓練數據擬合過度，在未知數據上泛化能力不足
4. D後端資料庫因欄位定義或結構調整，導致特徵提取流程與原始設計不一致

某銀行導入生成式 AI 放貸審核系統，發現模型對不同族群的核准率差異顯著，可能存在演算法偏見。為降低此風險，哪一項措施最合適？

1. A提升模型運算速度與效能，以確保在大量申請中快速回應
2. B全面移除與申貸人身份相關的敏感屬性，避免模型因變數影響而產生偏差
3. C導入資料與結果的公平性檢測流程，並依合規規範調整模型或決策邏輯
4. D減少訓練樣本數量，降低偏見被放大的可能性

在提示工程（Prompt Engineering）的應用中，Chain of Thought（CoT）與 Tree of Thoughts（ToT）各適用於不同的推理情境。情境一：電商公司開發客服助理，用來協助客戶查詢退款流程與相關規範。情境二：活動策劃團隊使用 AI 協助規劃多場跨部門行銷活動，需要同時考量預算、場地、時程與人力資源，並比較不同方案的可行性。分別最適合採用哪一種方法？

1. A情境一採用 CoT，情境二採用 ToT
2. B情境一採用 ToT，情境二採用 CoT
3. C情境一與情境二都適合 CoT
4. D情境一與情境二都適合 ToT

在生成式 AI 的提示工程中，Graph Prompting 在處理複雜關係資料時，為何通常比 Chain-of-Thought（CoT）更有效？

1. AGraph Prompting 幾乎不需要推理，只依靠圖結構即可得出結論
2. BGraph Prompting 僅需單次提示，即可避免多輪推理的誤差累積
3. CGraph Prompting 的生成速度通常更快，因此效率更高
4. DGraph Prompting 能捕捉非線性結構與上下文關聯，適合處理網絡化資訊

在少樣本提示（Few-shot Prompting）僅能提供 1–2 個範例的情況下，若遇到領域偏移（Domain Shift），模型最可能面臨的核心挑戰為何？

1. A範例數量過少，無法涵蓋新領域的多樣性，導致模型泛化不足
2. B範例表徵有限，模型容易依賴單一樣本特性而降低適應力
3. C範例覆蓋不足，使模型難以抽取跨領域的穩定模式
4. D範例資訊過於稀缺，模型缺乏應對不同輸入情境的能力

某金融機構導入檢索增強生成（RAG）模型，用於客服文件查詢與自動回覆。由於大型模型運算成本過高，若考慮引入知識蒸餾（Knowledge Distillation, KD）技術，下列何者為帶來的主要效益？

1. A讓小型模型學習大型模型的知識，在降低運算成本的同時維持檢索與生成品質
2. B只能應用於語音或影像辨識，無法提升文字檢索生成效能
3. C因為 RAG 已有檢索機制，因此無需額外蒸餾知識
4. D僅能依賴特定 API 供應商才能使用，無法在自建模型中實現

在評估 7B、13B、175B 等不同參數規模的語言模型時，模型規模對基準測試（Benchmark）結果的影響，下列說法何者最為恰當？

1. A小模型在正確調整下能超越大模型，因此模型大小並不重要
2. B大模型在多數情境下表現較好，但在特定任務上略遜於小模型
3. C模型規模與基準測試結果完全無關，影響主要來自測試設計
4. D模型越大，Benchmark 結果可能提升，但幅度取決於訓練數據品質與資源配置

在 AI 應用設計中，Model Context Protocol（MCP）與檢索增強生成（RAG）都能擴展模型能力，但兩者的核心差異為何？

1. AMCP 擴展模型工具，但主要用於補足訓練資料不足
2. BMCP 能標準化連接資源，但仍需依賴向量資料庫
3. CRAG 常用於擴展知識庫內容，而 MCP 更著重於動態工具與 API 呼叫的整合
4. DRAG 透過統一協議，提升回答相關性

下列哪一個資料集專門設計用於測試大型語言模型在多領域、多任務語言理解中，涵蓋人文、科學與社會科學等領域，而非專門用於數學推理或中文專業知識？

1. AMMLU
2. BGSM8K
3. CMATH
4. DC-Eval

某智慧工廠導入生成式 AI 協助工程師產生維修指引與操作建議。下列哪一項並非在系統設計中加入 Guardrails（防護機制）的主要目的？

1. A檢查工程師輸入內容，避免觸發錯誤或危險需求
2. B過濾與驗證 AI 輸出的維修指引，確保符合安全標準
3. C確保生成的操作建議符合法規與產業安全規範
4. D完整重建並追蹤 AI 模型的全部推理過程

某顧問公司導入生成式 AI 摘要長篇法規文件，為改善檢索結果不相關或過於分散的問題，決定對文件做文本切分（Chunking）。其主要目的為何？

1. A讓模型在回答時能加快推理速度
2. B提高檢索相關性與降低長上下文噪音
3. C降低系統記憶體和硬體資源的負擔
4. D使模型在生成回覆時更具創造性與多樣化

某開發團隊在建置企業內部知識檢索系統時，選擇採用多向量檢索器（Multi-vector Retriever），下列何者為協助提升系統查詢的完整性與精準度的主要方式？

1. A支援同時處理多種資訊表示，提升跨文本型態的檢索效果
2. B透過多向量壓縮與共享權重方式，降低檢索過程的運算與儲存成本
3. C以切分並過濾文件片段，減少上下文長度帶來的 Token 負擔
4. D透過調整生成階段的溫度參數，使模型在回覆時更穩定一致

在 Agentic AI 的架構中，解決方案圖譜（Solution Graph）常被用來輔助代理的任務執行，其主要作用為何？

1. A透過圖形結構完全取代大型語言模型的推理，讓代理只依靠圖演算法完成任務
2. B僅用於保存代理的輸出結果，方便後續檢視與審計，而不影響實際推理流程
3. C將代理限制在既定流程內，避免其產生偏離設計腳本的行為
4. D作為代理在執行過程中的參考框架，用於組織決策步驟並支援任務推理

小明想開發一個部落格寫作工具，讓用戶輸入文章開頭後，系統自動續寫內容，例如輸入「今天去了台北木柵動物園...」，系統就能續寫。若要實現這樣的功能，最適合選擇哪一類任務？

1. A序列到序列建模（Sequence-to-Sequence Modeling），透過輸入序列產生新的輸出序列
2. B遮罩語言建模（Masked Language Modeling），補齊文字中缺失的詞語或片段
3. C生成式語言建模（Text Generation），依據上下文持續產生新的內容
4. D文本分類（Text Classification），針對輸入文本判斷情感、主題或標籤