01_聊天與生成式人工智慧導論

核心表格

核心主題	主要觀點／方法	實務用途	重要條件／限制
機器學習與推薦	從使用者評分、行為與人工標註特徵找出模式	個人化推薦與自動化選擇	模型品質取決於資料與分類方式
大型語言模型（Large Language Model, LLM）	從大量文字資料學習語言模式並預測／生成文字	聊天、寫作、摘要、問答與內容生成	輸出是機率式生成，不保證事實正確
生成式人工智慧（Generative Artificial Intelligence, Generative AI）	依提示產生新的文字、圖片等內容	降低起草與內容製作門檻	可能產生幻覺、偏差或不完整內容
提示構成	至少需有實際請求；可加入脈絡／框架、範例與期望輸出	讓輸出更貼近工作需求	提示沒有單一正確格式，應依結果反覆調整
提示技術	零樣本、單樣本／少樣本、角色式、逐步推理等	控制回應方向、語氣、格式與分析方式	技術名稱不是目的，重點是任務是否清楚
幻覺	模型可能產生聽起來合理但錯誤、虛構或誤導的內容	建立查證習慣	金融、法律、醫療與需要精確事實的工作尤其應核對

本章先用早期音樂推薦系統說明機器如何利用資料與模式做選擇，再進入 OpenAI、大型語言模型與生成式人工智慧。核心轉變是：系統不再只分類或推薦既有項目，也能依使用者提示產生新的內容。

作者以人與人對話作比喻：後續句子可以承接前文，不必每次重新說明全部背景。生成式人工智慧聊天同樣能利用先前對話脈絡，因此使用者可以逐步細化要求。

原書強調提示沒有唯一正確寫法。最基本只需要提出要求；若需要更精確的結果，再加入背景、角色、範例、格式或期望輸出。複雜提示不是目的，取得可用結果才是目的。

零樣本直接提出要求；單樣本／少樣本加入一個或多個範例；角色式提示指定說話身分與風格；逐步推理則把問題拆成步驟。使用者應依任務選擇，而不是機械套用。

原書明確提醒幻覺風險。即使回答語氣自信、句子完整，也可能是錯誤預測，因此需要回到可靠來源檢查，尤其在高風險或精確資訊情境。

人工智慧適合快速產生草稿、整理選項與改寫；人負責定義真正需求、判斷輸出是否符合情境、查核事實並承擔最終決策。