生成式 AI 應用領域與工具使用：49 題線上練習
「生成式 AI 應用領域與工具使用」是 iPAS AI 應用規劃師初級「生成式 AI 應用與規劃」科目下的知識主題（代號 L122）。本頁收錄 49 題免費練習題，依能力指標分組，附逐題解析。
「生成式 AI 應用領域與工具使用」是 iPAS AI 應用規劃師初級「生成式 AI 應用與規劃」科目下的知識主題（代號 L122）。本頁收錄 49 題免費練習題，依能力指標分組，附逐題解析。
考試範圍定位
- 考試等級
- iPAS AI 應用規劃師初級能力鑑定
- 考試科目
- 生成式 AI 應用與規劃（L12）
- 知識主題
- 生成式 AI 應用領域與工具使用（L122）
練習題列表（共 49 題）
點任一題可查看完整題目、選項與逐題解析。題目依難度由基礎到進階排序。
生成式 AI 應用領域與常見工具（11 題）→
下列敘述何者最能反映生成式AI在圖像生成領域的發展趨勢？
關於GitHub Copilot，下列敘述何者正確？
能使用DALL-E-2生成各式逼真的圖片，最關鍵的應用技術為何？
若企業使用第三方AI API（如OpenAI、Claude、Gemini等），協助處理內部資料，為避免敏感資訊遭模型記憶或進一步分析，應優先採取下列哪一種作法？
關於 GitHub Copilot，下列敘述何者正確？
OpenAI 已為 Sora 生成的影片提供多種出處證明機制，以降低誤導性或欺騙性內容帶來的風險。下列何者不屬於目前 OpenAI 官方為 Sora 內容提供的出處證明工具？
關於 ChatGPT、Anthropic Claude、GitHub Copilot 等 AI 程式碼輔助工具的運作原理，下列敘述何者正確？
關於 2025 年 OpenAI 提供的 AgentKit，下列何者最能描述其主要用途？
所有在 Gemini 應用程式透過 Veo 生成的影片，皆採用何種技術措施來協助企業用戶應對 AI 生成內容可能帶來的不實資訊風險？
某機構計畫導入生成式 AI 旅遊資訊服務對話系統自動生成多語言對話。目前每月需人工翻譯 600 則訊息，每則成本 50 元；若改用 ChatGPT API，每則訊息需 2000 Tokens，而 Token 成本 0.8 元/1000 Tokens，但需額外投入系統整合費用 20 萬元。關於投資報酬率（Return on Investment, ROI）評估，下列何者最為正確？
能使用 DALL-E-2 生成各式逼真的圖片，最關鍵的應用技術為何？
如何善用生成式 AI 工具（38 題）→
下列哪一種情境最能展現Prompt Engineering的價值？
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？
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？
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？
某航空公司導入生成式AI聲控客服，提供航班與票務查詢。有人員透過惡意提示，試圖讓系統洩漏內部安檢流程。在此情境中，下列何者為降低提示攻擊（Prompt Injection）風險的最佳策略？
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，請問以下兩個情境，分別最適合採用哪一種方法？ 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。
某社交平台嘗試結合自動提示工程（Automatic Prompt Engineer, APE）與圖提示（Graph Prompting），讓 AI 協助分析使用者之間的互動關係。在這個過程中，下列何者為最可能遇到的挑戰？
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？
某團隊希望讓 AI 自動查詢 GitHub 上的程式碼庫，並生成摘要給使用者參考。開發者決定透過 Model Context Protocol（MCP）來實現，AI 需先發出請求，再經由 MCP 架構逐步完成查詢與回傳。在此情境下，MCP 運作流程的正確順序為何？
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？
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？
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。調查顯示，檢索到的政策內容有時是最新版本，有時則是過時文件，此外 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，應先解決下列哪一項問題？
某公司開發的智慧車載語音助理，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
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？
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？
某航空公司導入生成式 AI 聲控客服，提供航班與票務查詢。有人員透過惡意提示，試圖讓系統洩漏內部安檢流程。在此情境中，下列何者為降低提示攻擊（Prompt Injection）風險的最佳策略？
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，請問以下兩個情境，分別最適合採用哪一種方法？ 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。
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？
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），下列何者為模型最可能面臨的核心挑戰？
某金融機構導入檢索增強生成（Retrieval-Augmented Generation, 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？
在 AI 應用設計中，Model Context Protocol（MCP）與檢索增強生成（RAG）都能擴展模型的能力，但兩者的核心差異主要為下列何者？
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？
某企業建置檢索增強生成（Retrieval-augmented generation, RAG）系統支援內部知識查詢。隨著使用量提升，團隊發現模型回覆品質穩定，但推論延遲與運算成本逐漸增加。專案規劃在維持回覆品質前提下進行效能優化。在此情境下，若採用知識蒸餾（Knowledge Distillation），下列敘述何者最為合理？
下列何者最能正確說明 Model Context Protocol（MCP）與檢索增強生成（Retrieval-Augmented Generation, RAG）在功能定位上的主要差異？
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？
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？
某連鎖零售企業使用生成式 AI 協助規劃門市補貨策略。決策時需同時考慮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？
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？
某社交平台嘗試結合自動提示工程（Automatic Prompt Engineer, APE）與圖提示（Graph Prompting），讓AI協助分析使用者之間的互動關係。在這個過程中，下列何者為最可能遇到的挑戰？
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？
某團隊希望讓AI自動查詢GitHub上的程式碼庫，並生成摘要給使用者參考。開發者決定透過Model Context Protocol（MCP）來實現，AI需先發出請求，再經由MCP架構逐步完成查詢與回傳。在此情境下，MCP運作流程的正確順序為何？
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？
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。調查顯示，檢索到的政策內容有時是最新版本，有時則是過時文件，此外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，應優先解決下列哪一項問題？
某公司開發的智慧車載語音助理，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
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？
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），下列何者為模型最可能面臨的核心挑戰？
某金融機構導入檢索增強生成（Retrieval-Augmented Generation, 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？
在AI應用設計中，Model Context Protocol（MCP）與檢索增強生成（RAG）都能擴展模型的能力，但兩者的核心差異主要為下列何者？
本考點的相關 AI 術語
先掌握以下術語的定義與應用情境，再回來刷題，正確率會明顯提升。
下一步
練完本考點的題目後，回到 題庫總覽 查看其他科目的題數分布， 或直接進行 完整模擬考 驗證實力。 還不確定弱點在哪，先做 診斷測驗； 想了解歷年出題趨勢與高頻考點，參考 考古題與模擬測驗總整理。