AI 實戰應用

學以致用！從 Prompt Engineering 到 AI Agent，掌握當今最實用的 AI 技能，開始打造屬於你的 AI 應用。

🎯 Prompt Engineering — 跟 AI 溝通的藝術

Prompt Engineering（提示工程）就是學會怎麼跟 AI 說話，讓它給出最好的回答。同樣一個問題，問的方式不同，得到的結果可以天差地遠。

為什麼 Prompt 這麼重要？

AI 就像一個超級聰明但需要精確指令的助手。你說「幫我寫一篇文章」和「幫我寫一篇 500 字的、面向大學生的、關於氣候變遷的科普文章，語氣要活潑友善」，結果會完全不一樣。

💡 好 Prompt 的公式 角色 + 任務 + 背景 + 格式 + 限制

例如：「你是一名資深行銷文案（角色），請幫我寫一篇 IG 貼文（任務），推廣我們的新咖啡品牌（背景），字數在 100 字以內（限制），要包含 3 個 hashtag（格式）」

進階 Prompt 技巧

1. Few-shot Prompting — 給範例

先給 AI 幾個「輸入→輸出」的範例，再讓它處理新的輸入。

以下是產品名稱和廣告標語：
產品：運動鞋 → 標語：「踏出每一步，都是你的主場」
產品：保溫瓶 → 標語：「溫度，隨你而行」
產品：藍芽耳機 → 標語：

2. Chain-of-Thought — 讓 AI 一步步想

在 Prompt 結尾加上「請一步步思考」，能讓 AI 在推理問題上表現更好。

3. System Prompt — 設定 AI 的「人格」

在對話開頭設定 AI 的角色、語氣和行為準則。

❌ 差的 Prompt：

幫我翻譯

✅ 好的 Prompt：

你是專業的繁體中文翻譯師。請將以下英文翻譯成台灣用語的繁體中文，
保持自然流暢，避免直譯。如有專有名詞，請在括號內附上原文。

---

📡 用 API 打造 AI 產品

ChatGPT 網頁版只是冰山一角。透過 API，你可以把 AI 的能力嵌入到任何你想要的產品裡。

什麼是 API？

💡 比喻 API（Application Programming Interface）就像餐廳的服務窗口：你不需要進廚房自己煮，只要把「點單」（請求）遞給窗口，廚房（AI 模型）就會把「菜」（結果）送出來。

你不需要擁有自己的 AI 模型（廚房），只要會「點菜」（呼叫 API）就行了！

實際怎麼用？

以 OpenAI API 為例，用幾行程式碼就能讓你的應用擁有 AI 能力：

// 用 JavaScript 呼叫 OpenAI API
const response = await fetch('https://api.openai.com/v1/chat/completions', {
  method: 'POST',
  headers: {
    'Authorization': 'Bearer 你的API金鑰',
    'Content-Type': 'application/json'
  },
  body: JSON.stringify({
    model: 'gpt-5.4-mini',
    messages: [
      { role: 'system', content: '你是一位友善的助理' },
      { role: 'user', content: '介紹台北必吃的 3 道小吃' }
    ]
  })
});

你可以用 API 做什麼？

• 🤖 AI 客服機器人 — 回答客戶問題
• 📝 自動摘要工具 — 把長文件自動濃縮
• 🌐 即時翻譯系統 — 多語言支援
• 📊 數據分析助手 — 自然語言問答數據庫
• ✍️ 內容生成平台 — 自動生成文章、行銷文案

💰 API 的計費方式

大部分 AI API 按照使用量計費（Token 數量）。一個 Token 大約是一個中文字或半個英文單字。以 GPT-5.4 mini 來說，處理一篇 1000 字的文章大約只需數元台幣。

---

🤖 AI Agent — 自主行動的 AI

如果說 ChatGPT 是一個「會回答問題的 AI」，那 AI Agent 就是一個「會自己想辦法解決問題的 AI」。這是 2025-2026 年最火的 AI 趨勢。

什麼是 AI Agent？

💡 比喻 普通 AI 像是回答問題的考生：你出題，它回答。 AI Agent 像是你的私人助理：你說「幫我安排明天的會議」，它會自動查行事曆、發邀請信、找會議室、甚至訂便當——自主規劃和執行多個步驟。

AI Agent 的核心能力

1. 規劃：把大任務拆解成小步驟
2. 使用工具：可以搜尋網路、執行程式碼、操作軟體
3. 記憶：記住之前的對話和操作結果
4. 反思：檢查自己的結果，失敗了會修正

Agent 的工具清單

AI Agent 的強大之處在於它能「使用工具」（背後常用 MCP 協定 來串接）：

• 🔍 搜尋引擎 — 查找最新資訊
• 💻 程式碼執行 — 寫程式並執行
• 📁 檔案系統 — 讀寫檔案
• 🌐 API 呼叫 — 跟其他服務互動
• 📧 電子郵件 — 發送通知
• 🗃️ 資料庫 — 存取和查詢數據

📋 實際案例 Devin（AI 工程師）：能自己寫程式碼、除錯、部署 AutoGPT：給它一個目標，它會自動規劃並執行 Cursor：AI 程式編輯器，自動寫程式 Claude Artifacts：直接在對話中產生可互動的程式碼

⚠️ 注意事項 AI Agent 很強大，但目前還有限制：它可能會「幻覺」（產生錯誤資訊）、犯邏輯錯誤、或在複雜任務上迷路。使用時還是需要人類檢查和監督結果。

---

📚 RAG — 讓 AI 查資料再回答

大語言模型有一個致命弱點：它的知識有截止日期，而且可能會「編」出不存在的資訊（幻覺）。RAG 就是解決這個問題的方案。

什麼是 RAG？

RAG（Retrieval-Augmented Generation，檢索增強生成）讓 AI 在回答問題之前，先去你指定的知識庫裡查找相關資料，再根據查到的資料來回答。

💡 比喻 普通的 AI 像是閉卷考試——只能靠記憶力回答。 RAG 的 AI 像是開卷考試——可以翻書找答案，所以回答更精確、更可靠。

RAG 的運作流程

1. 準備知識庫：把你的文件、資料轉成向量儲存（這個轉換過程叫 embedding）
2. 使用者提問：「我們公司的退貨政策是什麼？」
3. 檢索：系統在知識庫中找到最相關的段落
4. 生成：把找到的段落交給 AI，讓它組織成自然語言回答

RAG 的應用場景

• 企業知識管理：員工能用自然語言問公司內部文件
• 客服系統：根據產品手冊自動回答客戶問題
• 法律助手：從大量法條中找出相關條文
• 醫療查詢：根據最新研究論文回答醫學問題

🔗 向量是什麼？ 在 RAG 系統中，文字會被轉換成「向量」（一串數字）。語義相近的文字，向量也會相近。所以當你問「退貨怎麼辦」，系統能找到「退換貨政策」的文件，即使用字不同——因為它們的向量很相近。這叫做語義搜尋。

---

⚖️ AI 倫理與未來

科技是中性的，但使用科技的方式有好有壞。隨著 AI 變得越來越強大，我們有責任思考：怎麼讓 AI 成為一股善的力量？

AI 面臨的倫理議題

1. 偏見與公平性

AI 從數據中學習，如果訓練數據有偏見，AI 也會學到偏見。歷史上已經出現過多起案例：

• 亞馬遜的 AI 招聘系統偏向男性候選人
• 人臉辨識系統對深色皮膚的辨識率較低
• 信用評分 AI 對某些族群的評分不公

2. 隱私

AI 需要大量數據來訓練，但這些數據往往包含個人隱私資訊。我們的照片、對話、購物紀錄是否應該被用來訓練 AI？

3. 深偽（Deepfake）

AI 可以生成逼真的假影片和假音檔。這可能被用來詐騙、散布假新聞，或冒充他人。

4. 工作衝擊

AI 會取代某些工作，但也會創造新工作。重點不是「AI 會搶我的工作嗎？」而是「我該怎麼和 AI 協作？」

💡 負責任的 AI 使用原則

1. 驗證：永遠檢查 AI 的輸出，不要盲目相信
2. 透明：使用 AI 生成的內容時，適當揭露
3. 公平：關注 AI 決策是否對所有人公平
4. 隱私：不要把敏感個資丟給 AI
5. 人性：AI 是工具，最終決策權在人

🔮 AI 的下一步

• 多模態 AI：同時理解文字、圖片、影片、語音
• AI Agent 生態系：多個 AI Agent 互相協作
• 個人化 AI：每個人都有自己的 AI 助手
• 邊緣 AI：AI 在手機、IoT 裝置上直接運行
• AGI 的追求：通用人工智慧仍是終極目標

---

❓ FAQ

Q：Prompt Engineering 是每個用 AI 的人都要學嗎？

A：是，但深淺不同。如果你只是偶爾用 ChatGPT 查資料，掌握「角色＋任務＋背景＋格式＋限制」五要素就夠了。如果你要打造 AI 產品或自動化工作流，就必須深入學 Few-shot、Chain-of-Thought、更進階的 Prompt 技巧。Prompt 品質直接決定 AI 輸出品質，沒有捷徑。

Q：不會寫程式，可以用 API 打造 AI 產品嗎？

A：可以，但有限。沒有程式基礎可以用 Zapier、Make、n8n 這類「無程式碼」工具串 API，適合自動化簡單流程（例如「新郵件到達 → AI 摘要 → 存進 Notion」）。但如果你想做客製化的產品（有 UI、有用戶系統），還是得學基本的 JavaScript 或 Python。現在用 AI 輔助學程式比以前容易太多了。

Q：AI Agent 和一般 ChatBot 到底差在哪？

A：ChatBot 是「你問我答」，一來一回；Agent 是「你下目標，它自己拆解→查資料→執行→檢查→修正」。最大差別是 Agent 能「使用工具」——叫 API、跑程式碼、讀檔案。這也是為什麼 AI Agent 能取代更多工作：它不只會聊天，還會動手做事。

Q：RAG 聽起來很強，為什麼還有「幻覺」？

A：RAG 只是降低幻覺，不是消除。幻覺的常見原因有三：1) 知識庫裡根本沒有答案，但 AI 還是硬回答；2) 檢索到的段落不夠相關，AI 亂拼湊；3) AI 讀了對的段落但誤解了意思。解法是：設定「知識庫沒有就回『我不知道』」的 prompt、提高檢索品質、加上引用來源讓使用者自行驗證。

Q：我該從哪個方向開始實戰？Prompt、API、Agent 還是 RAG？

A：照這個順序：先把 Prompt 練熟（1-2 週就有感）→ 再學 API 串接做一個小工具（例如自動摘要）→ 然後用 RAG 給 AI 加上自己的知識庫 → 最後挑戰 Agent。跳階會痛苦：不會寫 Prompt 直接做 Agent，會發現 Agent 老是做錯事卻不知道怎麼調。

Q：AI 倫理的事，個人使用者也要在意嗎？

A：要。你不是決策者，但你是資料提供者——你丟給 AI 的每一段對話都可能被用來訓練下一代模型。個人層級該做的三件事：1) 敏感資料（身分證、病歷、公司機密）不要貼進公開 AI；2) 用 AI 生成內容要揭露；3) 重要決策（醫療、法律、財務）一定要人類複核。

🎯 恭喜你完成了所有課程！ 記住，AI 不可怕，可怕的是不了解 AI。現在你已經從「AI 是什麼」一路學到了「AI Agent」和「RAG」——你已經比大多數人更了解 AI 了！

繼續保持好奇心，善用 AI 作為你的工具，你就不需要焦慮。 了解 AI → 善用 AI → 不怕 AI 💪