本案例涉及人工智慧（Artificial Intelligence, AI）、生成式人工智慧（Generative Artificial Intelligence, GenAI）與大型語言模型（Large Language Model, LLM）。讓模型、脈絡與供應商可透過設定替換。
本案例依原書第 8 章的最佳實務、範例或情境重組，並非原書正式案例研究。
原書建議將 LLM 互動層解耦，使模型與脈絡能透過設定切換，不影響整體程式碼；這可提升跨雲端與跨模型供應商的可攜性並降低供應商鎖定。語言模型互動可採轉接器模式，以支援未來多模態或多語言升級，並避免硬編碼模型專屬邏輯。
| 設計做法 | 原書效益 |
|---|---|
| 互動層解耦 | 模型或脈絡切換不牽動全部程式 |
| 設定切換 | 提高變更速度 |
| 轉接器模式 | 支援多模態、多語言與模型差異 |
| 避免硬編碼 | 降低維護與替換成本 |
| 跨供應商 | 提升可攜性並減少鎖定 |
在 Excel 記錄元件對特定模型、雲端與設定的相依，標記是否透過介面或轉接器隔離；AI 可找出硬編碼線索。
原書沒有提供可直接計算的數據，因此不補造結果。
解耦的價值在於保留未來選擇權。若供應商專屬邏輯散落各處，模型替換會成為高風險改造。
請檢查元件相依與設定，指出模型或供應商專屬邏輯，並依原書提出可隔離的位置。