第 1 題
某企業法務部門導入生成式 AI 問答系統，希望員工能用自然語言查詢內部法規。系統架構採用 RAG（Retrieval-Augmented Generation），資料工程師設計的資料流程為：① 使用者輸入問題 → ② 將問題轉為向量 → ③ 在向量資料庫中搜尋最相似的法規段落 → ④ 將檢索到的段落與原始問題一起送入大型語言模型 → ⑤ 模型根據檢索內容生成回答。關於此流程的技術描述，下列何者最正確？
(A) 步驟②使用的是 TF-IDF 關鍵字比對，因為法律文件需要精確的詞彙匹配而非語意理解
(B) 步驟③的向量資料庫可用傳統關聯式資料庫（如 MySQL）的 LIKE 語法取代，效果相同
(C) 步驟③透過餘弦相似度或內積等距離度量找出語意最接近的文件段落，這是 RAG 降低幻覺的關鍵機制
(D) 步驟④中語言模型會永久記住檢索到的法規內容，後續查詢不需再次檢索即可回答相同問題
答案：C
深度導讀解析
正確答案：C
核心技術點：RAG 檢索與幻覺降低
中級理論拆解：RAG 的核心是把外部知識檢索和語言生成結合。向量資料庫用餘弦相似度比對語意，找到最相關段落注入 prompt，讓模型「有據可引」而非憑記憶生成，大幅降低幻覺。
選項坑洞掃描：A 步驟②用 embedding model 轉向量，不是 TF-IDF 關鍵字比對。B 關聯式資料庫不支援高維向量相似度搜尋。D 語言模型無狀態記憶，每次推論獨立，不會「記住」。
破題反射字：RAG → 檢索 + 生成 ／ 向量相似度 → 降低幻覺
第 2 題
某電商平台建置商品智慧客服，需要從 50 萬筆商品說明中即時檢索最相關的內容作為 LLM 的生成依據。資料工程師評估儲存方案時，決定採用向量資料庫（如 FAISS、Pinecone）而非傳統關聯式資料庫。最關鍵的技術理由是：
(A) 商品說明經 embedding 模型轉為高維向量後，需要近似最近鄰搜尋（ANN）才能在毫秒級完成 50 萬筆的語意相似度比對
(B) 關聯式資料庫無法儲存文字資料，只能處理數值型欄位，因此無法存放商品說明
(C) 向量資料庫自帶大型語言模型，可以直接在資料庫內完成問答生成，不需要額外的 LLM
(D) 傳統資料庫的 SQL 查詢已包含語意理解功能，但查詢速度不如向量資料庫
答案：A
深度導讀解析
正確答案：A
核心技術點：向量資料庫的核心優勢
中級理論拆解：文字經 embedding 轉為數百維向量後，精確搜尋的暴力比對複雜度太高。向量資料庫用 ANN 演算法（如 HNSW、IVF）建立索引，在 50 萬筆中毫秒級找到最相似段落。
選項坑洞掃描：B 關聯式資料庫可以儲存文字（TEXT/VARCHAR），只是不擅長語意搜尋。C 向量資料庫只負責儲存和搜尋向量，不帶 LLM。D SQL 不具備語意理解能力。
破題反射字：高維向量搜尋 → ANN 索引 ／ 向量 DB ≠ LLM
第 3 題
某醫療 AI 團隊希望讓內部的大型語言模型能夠回答最新藥物交互作用的問題。團隊手上有一份持續更新的藥物資料庫（每週新增約 200 筆資料）。考量到資料更新頻率和導入成本，下列哪一種技術策略最適合？
(A) 每週對整個大型語言模型進行全量微調（Full Fine-tuning），將最新藥物資料寫入模型參數
(B) 使用 LoRA 每週微調模型，僅更新低秩參數以降低訓練成本
(C) 將藥物資料直接寫入 LLM 的 system prompt，每次查詢時附帶全部資料庫內容
(D) 採用 RAG 架構，將藥物資料庫向量化後存入向量資料庫，查詢時即時檢索最新內容注入 prompt
答案：D
深度導讀解析
正確答案：D
核心技術點：RAG vs 微調的場景選擇
中級理論拆解：資料每週更新 200 筆，微調成本高且有災難性遺忘風險。RAG 只需將新資料向量化後寫入資料庫，無需重新訓練模型，即可在下次查詢時檢索到最新內容。
選項坑洞掃描：A 全量微調成本極高，每週執行不切實際。B LoRA 成本較低但仍需訓練流程，對頻繁更新不划算。C 全部資料庫塞 prompt 會超出 token 上限且成本爆增。
破題反射字：資料頻繁更新 → RAG ／ 靜態知識內化 → 微調
第 4 題
某保險公司建置 RAG 系統，將 3,000 頁的保單條款文件向量化後存入向量資料庫。上線後發現，當使用者詢問「住院日額給付條件」時，系統經常檢索到不相關的段落（如「保單基本資料」或「名詞定義」），導致 LLM 生成的回答品質低落。資料工程師診斷後認為問題出在文件分塊（Chunking）策略，最可能的原因與改善方式是：
(A) 分塊過大（如整章為一塊），應改為每句話一個 chunk 以提高語意精確度
(B) 分塊時未考慮文件的段落結構，導致語意完整的條款被截斷或與不相關內容混在同一個 chunk，應按條款段落邊界分塊並加入適當重疊
(C) 向量資料庫的索引演算法選錯了，應從 HNSW 改為暴力搜尋以提升精確度
(D) embedding 模型的維度太高，應降維至 2 維後重新建立索引
答案：B
深度導讀解析
正確答案：B
核心技術點：Chunking 策略與檢索品質
中級理論拆解：分塊策略直接影響檢索品質。若 chunk 切割點落在條款中間，語意被截斷，embedding 向量無法代表完整概念。按段落邊界切塊並加重疊（overlap），確保條款完整且上下文連貫。
選項坑洞掃描：A 每句一個 chunk 太短，失去上下文語意，檢索結果更碎片。C HNSW 是高效近似搜尋，精確度已夠高，問題在 chunk 不在索引。D 降維到 2 維會丟失幾乎所有語意資訊。
破題反射字：檢索品質差 → 先查 chunk 策略 ／ 語意完整 + overlap → 好 chunk
第 5 題
某金融機構導入 RAG 架構的合規問答系統，知識庫來自內部法規文件與外部監管公告。上線三個月後，法務團隊發現系統對某些新公告的回答仍引用已廢止的舊版條文，且偶爾生成知識庫中不存在的條文編號。這兩個問題分別對應的根本原因，最可能是：
(A) 舊版問題：知識庫未建立資料更新與版本淘汰機制，已廢止文件的向量仍留在資料庫中被檢索到；虛構問題：檢索結果與使用者問題相關性不足時，LLM 仍可能基於訓練期記憶自行補充內容
(B) 舊版問題：embedding 模型無法區分新舊文件的語意差異；虛構問題：向量資料庫的索引結構損毀導致回傳錯誤段落
(C) 舊版問題：LLM 在微調時記住了舊條文而非從知識庫檢索；虛構問題：RAG 架構本身無法避免任何形式的幻覺
(D) 兩個問題的根本原因相同：使用者輸入的問題語意不清，導致檢索結果偏差
答案：A
深度導讀解析
正確答案：A
核心技術點：RAG 知識庫維運與幻覺殘留
中級理論拆解：RAG 不會自動淘汰過時資料，需要建立版本管理機制定期清除廢止文件的向量。即使有 RAG，當檢索結果不夠精確時，LLM 仍可能用訓練期知識「腦補」，這是幻覺的殘留風險。
選項坑洞掃描：B embedding 可區分語意，問題在舊資料未移除。C RAG 系統通常不微調 LLM，舊文問題在知識庫端。D 兩個問題根因不同，不能歸於同一原因。
破題反射字：知識庫要版本管理 ／ RAG 降低但不消除幻覺
還在用零散筆記備考？
這份《iPAS 中級白話備考筆記》把三科考綱重點全部用人話整理好，考點速記、實戰場景、常見陷阱一次收錄。適合非本科、時間有限、想快速抓住考試方向的自學者。
👉 立即取得備考筆記
