提示工程

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

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

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

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

某企業使用生成式 AI 進行文字分類,初期僅根據既有業務資料設計少量樣本提示(Few-shot Prompting)。當模型應用至新市場資料時,團隊發現分類結果明顯不穩定,且原先提供的範例並未涵蓋新市場常見的表達方式。依此情境判斷,下列何者最可能為主要原因?

1. A模型容易對單一範例產生過度記憶
2. B少量範例難以涵蓋新情境的資料差異
3. CPrompt 設計無法引導模型擷取共通特徵
4. D模型推理能力不足以完成分類任務

某企業導入大型語言模型(LLM)分析內部報表,使用者經常提供 Excel 匯出的表格資料(如銷售數據與統計表)。測試時發現,模型對原始表格解析效果不穩定。為提升模型理解與回應品質,下列哪一種上下文工程(Context Engineering)作法較為適當?

1. A將表格內容轉換為結構化 JSON 或 Markdown table
2. B在維持原始表格呈現方式下,補充欄位與數據說明
3. C將表格資料隨機切割後分段輸入
4. D直接提供原始表格內容以保留完整資訊

某市政府環保局想建立一個垃圾分類查詢系統,讓民眾輸入物品名稱後自動判斷分類。由於垃圾種類繁多,但每種分類的訓練範例有限,工程師決定採用少樣本學習(Few-shot Learning)技術。下列何者為少樣本學習(Few-shot Learning)的主要特徵?

1. A需重新蒐集大規模標註資料,以確保模型具備穩定表現
2. B透過少量任務示例,引導模型適應新情境或新分類需求
3. C不需任何範例輸入,即可完成新任務推論
4. D僅適用於自然語言處理任務,對其他模態效果有限

某連鎖零售企業使用生成式 AI 協助規劃門市補貨策略。決策時需同時考量多項彼此相關的因素,例如:庫存水位、促銷活動、區域銷售差異與物流限制。專案團隊發現,AI雖能逐步說明推論過程,但對於多條件之間的相互影響掌握不足,導致建議結果偶有偏差。若希望透過提示工程(Prompt Engineering)改善此問題,下列哪一種策略最為適合?

1. AChain of Thought,要求模型逐步展開推論
2. BTree of Thoughts,增加多種推論路徑探索
3. CGraph Prompting,以結構化方式呈現條件與關聯
4. DZero-shot Prompting,避免範例影響模型判斷

某電商平台導入生成式 AI 客服助理,用於自動回覆顧客詢問。營運需求包含:需即時反映每日更新的促銷活動與商品資訊,同時維持品牌一致的回覆語氣,且企業希望避免因模型重新訓練所造成的成本增加與系統不穩定。在此情境下,下列哪一種技術策略最合理?

1. A僅進行 Fine-tuning,使模型同時學習品牌語氣與即時促銷內容
2. B僅導入 RAG 更新促銷資訊,期望模型直接從檢索內容學習品牌語氣
3. C透過 Prompt Engineering 控制回覆風格,並以 RAG 引入最新商品與活動資訊
4. D持續進行增量 Fine-tuning,以確保活動資訊同步更新

某企業導入生成式 AI 助理,協助內部人員撰寫專案建議與分析報告。團隊希望透過思維鏈(Chain of Thought, CoT) 提示設計提升模型輸出的邏輯性與推理透明度,下列何者最符合該提示策略?

1. A「請直接給出最終建議,不需顯示分析過程。」
2. B「以下提供兩份分析報告範例,請依相同格式產出新報告。」
3. C「請將任務拆為三個步驟:資料整理 → 重點摘要 → 建議產出。」
4. D「請逐步說明你的判斷依據與推理過程,最後再給出結論。」

某律師事務所導入AI 合約審查系統，協助律師快速檢視商業合約中的關鍵條款。系統架構師在設計上下文（Context）時最優先考量應為何？

1. A強化模型的創意生成能力；
2. B儘量壓縮上下文（Context）長度以降低Token 成本；
3. C優先提升模型回應速度；
4. D優先保留原文逐字精確性

某企業在設計AI 代理（AI Agent）時，需判斷是否採用ReAct（Reason andAct）架構。下列哪一種情境最適合使用ReAct 技術？

1. A將固定格式的PDF 合約批次翻譯成多種語言並自動儲存，流程明確且步驟固定；
2. B根據既有規則判斷客戶是否符合退貨條件，並依結果回覆對應訊息；
3. C根據使用者問題依既定流程進行多步資料查詢與整理，並產出整合回覆；
4. D分析某新創公司的融資狀況，AI 需自行判斷資訊是否足夠並調整查詢方向

在大型語言模型的提示詞設計中，下列何者不是基於思維鏈（Chain-of-Thought）推理所發展而來？

1. AReAct prompting；
2. BTree-of-Thought；
3. CSelf-consistency；
4. DZero-shot Learning

某教育科技公司正在開發一套AI 作文批改系統，希望模型能依照教師的評分邏輯給予回饋。負責的工程師在設計系統時，於每次送出批改請求前，在提示（Prompt）中附上固定的三組已由教師批改完成的學生作文範例，讓模型參考後再對新作文進行評分。請問工程師採用的是下列哪一種技術？

1. A微調（Fine-Tuning）；
2. B零樣本提示（Zero-Shot Prompting）；
3. C少樣本提示（Few-Shot Prompting）；
4. D檢索增強生成（Retrieval-Augmented Generation, RAG）

某新創公司正在開發一套AI 客服系統，由於產品剛上線，目前僅能蒐集到少量的標準問答範例。技術團隊希望在資料有限的情況下，仍能有效提升模型回應品質，並評估不同方法對開發成本與彈性的影響。請問下列對少樣本提示（Few-shot Prompting）與少樣本微調（Few-shot Fine-tuning）兩種方法的比較，何者最為正確？

1. A樣本數量極少時只能採用少樣本提示（Few-shot Prompting），少樣本微調（Few-shot Fine-tuning）在此情況下必然發生過擬合而無法使用；
2. B少樣本微調（Few-shot Fine-tuning）需留意過擬合風險；少樣本提示無需額外訓練即可提升部分表現；
3. C兩者本質相同，差異僅在於例子提供的時機；
4. D採用夠強大的預訓練模型後，兩種方法皆已無實質效益，不需額外考量

某公司評估兩種方案，將大型語言模型客製化為內部客服助理：方案A為提示微調（Prompt Tuning），在輸入端加入可學習的軟提示（Soft Prompt）；方案 B 為傳統微調（Fine-Tuning），以標註問答資料調整模型。兩方案最本質的技術差異為何？

1. A提示微調主要用於降低推論延遲，而傳統微調則用於提升模型容量
2. B兩者技術本質相同，差別僅在於學習率（Learning Rate）設定不同
3. C傳統微調通常需要更新模型參數，而提示微調主要透過調整輸入表示來影響模型行為
4. D提示微調與傳統微調的差異僅在於是否使用預訓練模型

一位機器學習工程師正在優化公司內部的 RAG 法律文件問答系統。近期因營運成本壓力，公司要求在不更換模型且不影響回答品質的前提下，將整體 token 成本降低至目前的 60%，且目前成本主要集中於輸入 tokens。工程師在檢查系統後，盤點出目前的使用情況如下：◆使用模型：GPT-4o（輸入$5／1M tokens、輸出 $15／1M tokens）◆每次查詢：將前 10筆檢索文件區塊全部加入 Prompt（每塊約600 tokens）◆System Prompt：每次請求均包含約 500tokens的公司背景說明◆對話機制：保留完整對話歷史，平均累積約 8,000tokens ◆每日查詢量：約 5,000次◆平均輸出：約 300tokens／次在上述限制與系統現況下，請問下列哪一項優化組合，最能在維持回答品質的前提下有效降低 token成本？

1. A將輸出 max_tokens 從1,000 壓縮至200，強制模型給出更短的回答，以降低輸出費用
2. B將System Prompt 改為Prompt Caching 或靜態前綴重用，並對對話歷史實作摘要壓縮，以保留語意而非完整對話
3. C將所有查詢改為 Batch API 模式送出，透過非同步處理降低單次費用
4. D在Prompt 中明確要求模型「回答時盡量簡短」，透過指令引導模型自行縮減輸出長度