把「高品質資料＋企業 context」放在模型選擇之前。
原書指出 GenAI models 依賴資料；若不加入企業 context，模型難以形成 competitive advantage。連接 data 與 LLM 的方法包括 few-shot prompting、fine-tuning、RAG。
| 方法 | 原書定位 |
|---|---|
| Few-shot Prompting | 透過 examples／context 引導任務 |
| Fine-tuning | 調整既有模型以適應特定 domain／task |
| RAG | 將企業資料檢索進回答 context，並改善 source visibility |
建立 data-readiness table：Source、Owner、Quality、Freshness、Sensitivity、Method、Access。
原書沒有固定公式判斷三種方法，因此不自行用單一分數自動選擇。
三種方法不是互斥，而且真正問題通常是「需要多少 domain context、資料是否可用、更新多快」。
根據 use case、data freshness、sensitivity、domain specificity 比較 few-shot、fine-tuning、RAG；不確定時列出需補資料。
**題目：**若企業知識每天更新且希望回答能連回來源，哪種方法通常更值得評估？
**參考解答：**RAG；但最終仍需依 architecture、security 與 quality 驗證。