HCHUNGW的部落格

以下為 「2.生成式 AI應用與規劃」 的 700 題模擬試題，涵蓋考試簡章的重點：

1. No Code / Low Code 工具 的基本概念與應用

2. 生成式 AI 工具的操作、應用場景與優勢

3. 生成式 AI 導入時的需求確認、資源分配、試用測試等規劃要領

No Code / Low Code 工具透過視覺化介面與模組化設計，能讓使用者免撰寫或僅需少量程式碼就能開發流程與應用，對「生成式 AI」的導入與測試尤為便利。掌握這些工具的基本原理與操作，可讓企業快速在行銷文案、圖像生成、對話式客服等領域應用 AI，並利用既有平台優勢降低技術門檻。同時，在正式規劃導入前，需先釐清需求重點、分配資源，並透過試用與測試掌握各工具特性與合規風險，才能在最短時間內驗證可行性、提升效益並持續優化。

為方便閱讀，本題庫將分為 七個部分，每部分 100 題。並採用四選一的 選擇題 形式，每題附「參考答案（Answer）」與「簡要解析（Explanation）」。數量龐大，建議可分段參考、逐步演練。祝學習順利！

第 1 部分（題號 1～100）

1. 下列何者最能代表「No Code / Low Code」工具在 AI 開發中的價值？

A. 絕對取代所有程式撰寫
B. 讓非程式背景的人也能建立基礎 AI 或工作流程原型，縮短開發週期
C. 只能用於影像處理，高階應用不支援
D. 僅適合個人娛樂

Answer: B
Explanation: No Code / Low Code 工具透過視覺化介面與內建模組，讓使用者能免程式或少量程式快速搭建 AI 流程，降低技術門檻。

2. 在評估某「Low Code」平台是否適合生成式 AI 開發時，下列哪一項最為關鍵？

A. 是否內建繪圖工具
B. 是否具備與主流生成式模型（如 GPT、Diffusion 模型）串接或可視化流程設計能力
C. 是否擁有豐富的電腦視覺資料集
D. 介面顏色是否鮮豔

Answer: B
Explanation: 生成式 AI 需要對應大型模型或相關 API，評估時要看該平台是否能串接模型、設計流程，並提供可擴充的功能。

3. 何謂「No Code」在 AI 應用中的典型意涵？

A. 僅限於文字編輯器
B. 絕不需要任何程式或設定
C. 透過拖拉介面與組件方式，無需手寫程式即可配置 AI 流程或工具
D. 只能建立 Excel 報表

Answer: C
Explanation: No Code 指的是不必手寫程式碼，多透過圖形介面與組件配置，就能搭建應用，包含 AI 模型與資料流程等。

4. 下列哪一種情境較適用 No Code / Low Code 工具來實現生成式 AI 應用？

A. 極客級後端高併發系統
B. 需要小規模原型、快速迭代、或簡易生成式 AI 解決方案（如自動生成文案）
C. 超大型資料庫需要 C++ 開發
D. 僅做基礎字串比對

Answer: B
Explanation: 若目標在短時間內做出可視化原型、簡易生成式功能等，小規模試驗，可善用 Low Code 平台快速搭建。

5. 下列有關「生成式 AI 應用規劃」的敘述，何者較為正確？

A. 先隨意套用任何生成式工具即可
B. 完全不需要考慮隱私或資訊安全
C. 在需求確認、資源分配、試用測試上要有明確目標與流程，避免無效導入
D. 不需做風險評估

Answer: C
Explanation: 生成式 AI 的導入需先釐清需求、選定資源後再規劃原型測試，才能有序推進，避免盲目上線。

6. 下列哪一種功能最可能出現在具「No Code」特性的生成式 AI 平台上？

A. 必須手動撰寫深度學習訓練程式
B. 以拖拉方式串接文字生成模型、設定參數，即可輸出短文或文案
C. 僅能做監督式學習
D. 無法與任何外部 API 整合

Answer: B
Explanation: No Code 會提供圖形化組件，讓使用者拖放連接生成式 AI API，快速完成文字生成功能設定。

7. 哪一種應用最能凸顯「Low Code」工具在生成式 AI 中的價值？

A. 需要極度客製化底層演算法
B. 純資深工程師環境
C. 在行銷活動中自動生成文案與圖片原型，且可由行銷人員直接操作調整
D. 遊戲引擎底層開發

Answer: C
Explanation: Marketing 或業務人員可透過低程式平台自行搭配模型輸出文案／圖片，是 Low Code 工具常見價值場景。

8. 「AI 解決方案設計與測試」若透過 No Code 工具實現，下列何者需特別注意？

A. 模型的可解釋性必定上升
B. 平台是否限制大量客製或複雜邏輯
C. 永遠比手動開發快
D. 絕對不需要資安檢測

Answer: B
Explanation: No Code / Low Code 平台容易上手，但可能限制複雜度或客製空間，因此要評估功能與彈性是否足夠。

9. 關於「生成式 AI 常見工具」的敘述，何者最為恰當？

A. 僅有文字生成工具
B. 包含圖片生成、音訊生成、文字生成等多種範疇，各工具適用場景有所不同
C. 只適用於翻譯
D. 都要自行訓練大型模型

Answer: B
Explanation: 生成式 AI 涵蓋文字、影像、語音、音樂等許多工具類型，應用範圍廣，各自有特長。

10. 在初步規劃「生成式 AI 導入」時，若企業目標是「客服文本自動生成」，應先做什麼？

A. 直接上線
B. 確認需求（客服場景、語料庫）、挑選合適模型/工具、測試生成品質
C. 搭建超大型 GPU 叢集
D. 全部改用嵌入式系統

Answer: B
Explanation: 需求確認是首要，包括對客服需求、模型能力、資料可用性；再選擇工具與測試品質。

11. 在設計基於生成式 AI 的「對話系統」時，下列哪項較不屬於常見考量？

A. Prompt 設計與模型參數溝通
B. 工業級機械手臂
C. 回應風格與使用者體驗
D. 隱私資料保護

Answer: B
Explanation: 對話系統主要在文字交互或語音層面，工業手臂為機器人硬體領域；其餘皆屬常見考量。

12. 若企業使用 No Code 工具快速串接 GPT-4 模型生成合約文書，下列何者最需留意？

A. 完全不需要法律部門把關
B. 生成結果可能內容不正確或瑕疵，因此需人工審核
C. 無需考慮資料輸入隱私
D. 模型輸出必定合法

Answer: B
Explanation: 生成式 AI 有「幻覺」風險，合約文書需專業人員審核，確保內容正確合法。

13. 哪一類型的 No Code / Low Code 平台更適合「圖像類生成式 AI」？

A. 完全針對表格自動化
B. 具備視覺化流程設計、可對接圖像生成模型（如 Stable Diffusion API）或提供內建模組
C. 只能輸出 CSV
D. 僅能做語音處理

Answer: B
Explanation: 圖像生成需能串接 Stable Diffusion 之類模型，並在工具中可視化管理輸出，需平台支持該功能。

14. 在評估「生成式 AI 常見工具」時，下列哪一點尤為重要？

A. 只看介面美觀
B. 是否支援多語言、API 擴充性，以及對資料隱私的保障
C. 必須是開源
D. 必須全自動無人監管

Answer: B
Explanation: 多語言支援、API 擴充與隱私合規是選擇生成式 AI 工具的關鍵面向；介面美觀則非主要。

15. 若對生成式 AI 成果品質要求高，除了工具本身，下列何者也關鍵？

A. 僅看工具說明書
B. Prompt 編寫技巧、資料前處理及後處理，以及人工審查機制
C. 一定要手寫程式
D. 不考慮偏見

Answer: B
Explanation: 生成式 AI 涉及 Prompt 設計、資料與後處理調整並需人工審查，以確保輸出質量與一致性。

16. 何謂「資源分配」在生成式 AI 導入規劃中的意義？

A. 僅是購買 GPU
B. 規劃人員、預算、工具平台、基礎硬體或雲端服務，以及後續維運成本
C. 與 AI 無關
D. 只看廣告費

Answer: B
Explanation: 導入生成式 AI 時需評估團隊技能、硬體/雲端資源、預算等，以確保專案能持續運營。

17. 在 No Code / Low Code 與生成式 AI 結合的應用中，下列哪個特點最明顯？

A. 完全無腦使用
B. 加速原型開發與概念驗證（POC），讓非技術人員也能快速嘗試生成式功能
C. 一定能達到最先進深度調參
D. 模型輸出僅限於 CSV

Answer: B
Explanation: 此類平台可視化程度高，使非程式背景用戶也能參與生成式 AI 建置與試驗，尤其適合早期原型。

18. 下列哪個範疇不是常見的生成式 AI 工具應用？

A. 文字寫作
B. 視覺特效圖像生成
C. 資料庫備份壓縮
D. 聲音或音樂生成

Answer: C
Explanation: 生成式 AI 多用於內容創作，如文字、圖像、聲音、影片等；資料庫備份壓縮屬系統維運層面，非生成式 AI 應用。

19. 「試用測試」在生成式 AI 導入的流程中扮演何種角色？

A. 無需試用
B. 提前驗證工具與流程是否滿足需求，並蒐集用戶回饋進行調整
C. 直接上線再說
D. 僅用於事後維護

Answer: B
Explanation: 試用測試能在上線前發現缺陷、確定操作流程可行並進行優化，降低風險。

20. 下列哪一種情況不太適合採用 No Code / Low Code 方式實現生成式 AI？

A. 開發者團隊缺乏程式背景，但需要快速原型
B. 需求非常獨特，需要高度客製化或底層優化
C. 短期行銷活動需小規模圖像生成功能
D. 教育訓練課程，示範生成式 AI 應用雛型

Answer: B
Explanation: 如果需求對底層修改、高度客製化要求很高，No Code / Low Code 平台可能無法滿足；其他場景較適合快速搭建。

21. 如果企業想透過 Low Code 工具整合「生成式文字模型」用於文案創作，下列哪個步驟不可或缺？

A. 搭建大型數據庫
B. 確認文字生成的語言、風格、審核流程，以及與既有行銷內容的結合方式
C. 直接開放給所有人編輯
D. 自行二次訓練 GPT 模型

Answer: B
Explanation: 導入時需決定模型輸出語言、品牌風格一致性、審核流程，以及如何與行銷管線整合，以確保實際可用。

22. 哪一種生成式 AI 工具最常見於「行銷文案自動撰寫」？

A. Midjourney
B. 文字生成模型，如 GPT 類 ChatGPT 工具
C. Stable Diffusion
D. 強化學習遊戲 AI

Answer: B
Explanation: 行銷文案屬文字創作，會使用 GPT 等文字生成模型；Midjourney 與 Stable Diffusion 注重圖像生成。

23. 下列哪個「No Code / Low Code」平台或特性，對引入 GPT-4 最為友好？

A. 僅支援 CSV 轉檔
B. 提供介面可視覺化串接 OpenAI API，並可自定 Prompt 和回應處理流程
C. 僅能做拍照上傳
D. 全部依賴手寫 Python

Answer: B
Explanation: 要與 GPT-4 整合時，需要可串接 OpenAI API、Prompt 設定，以及對回應做後處理的功能。

24. 當規劃導入「生成式 AI」於客服範疇，下列何者尤需關注？

A. 只要能輸出文字即可
B. 資料隱私、錯誤資訊帶來的誤導，以及客服風格的符合度
C. 相機像素
D. 使用者介面美觀度

Answer: B
Explanation: 客服需要可靠資訊、有禮回應，且可能涉及用戶資料隱私，需審慎控制風格與品質。

25. 對於使用 No Code 工具的生成式 AI 應用，若要滿足企業級需求，下列哪點最關鍵？

A. 介面要華麗
B. 提供版本控制、權限管理、可審計日誌，並能擴充 API
C. 禁止任何參數調整
D. 資安不設防

Answer: B
Explanation: 企業級應用需考量權限、資安、版本管控等，否則難以正式投入生產使用。

26. 哪一個情境較可能採用「語音生成式 AI」工具搭配 Low Code 開發？

A. 寫遊戲繪圖引擎底層
B. 為智能客服機器人自動產生語音回覆，並透過無程式化流程串接語音 API
C. 大規模科學運算
D. 文字校對

Answer: B
Explanation: 語音生成式 AI 可透過 TTS（Text-to-Speech）API 產生語音，Low Code 平台能快速串接與測試。

27. 在「需求確認」階段，若企業想應用生成式 AI 做品牌插畫，下列哪項不是主要考量？

A. 插畫風格需求、輸出解析度
B. 圖像模型適合度、版權與侵權風險
C. 生成時間是否可控
D. 機器學習標籤員工的考勤資料

Answer: D
Explanation: 需求確認應聚焦插畫風格、版權、模型能力，員工考勤屬不同領域議題。

28. 如何選擇「No Code」還是「Low Code」模式？

A. 視是否需要客製化程式（若需求僅組合現成模組則可用 No Code，有些客製則採 Low Code）
B. 二者相同
C. 完全由預算決定
D. 僅根據硬體大小

Answer: A
Explanation: No Code 幾乎無手寫程式，Low Code 可自行撰寫部分程式，取決於系統客製化深度。

29. 當「小型新創團隊」欲快速測試生成式 AI 概念時，No Code / Low Code 的優勢為何？

A. 可以完全代替數據工程
B. 迅速搭建 MVP、降低開發門檻與時間成本
C. 一定能商業化成功
D. 不需招募任何人

Answer: B
Explanation: 新創用 No Code / Low Code 快速做原型/Proof of Concept，省去大量程式開發時間。

30. 若企業導入生成式 AI 失敗，多半原因可能為？

A. 全部都沒測試
B. 缺乏明確需求或規劃、忽略資料隱私與風險管理，盲目上線
C. 工具介面不夠美觀
D. 太多員工

Answer: B
Explanation: 常見失敗點在於缺乏需求釐清、資料隱私或風險評估不足，盲目導入難以成功。

31. 在「Low Code」平台中，若想自訂生成式 AI 回應的格式，下列做法可行嗎？

A. 直接改用無監督學習
B. 在平台提供的可視化流程中，對模型輸入/輸出做一些正則或後處理邏輯
C. 讓模型自己決定
D. 不可實現

Answer: B
Explanation: Low Code 通常允許部分邏輯編排，可在流程中增加後處理碼或視覺化組件來設定回應格式。

32. 下列哪一項非「生成式 AI」工具的主流應用？

A. 圖像創作 (例如 Midjourney, Stable Diffusion)
B. 文字/程式碼生成 (例如 GPT 系列)
C. 超高精度數值計算
D. 音樂或語音生成

Answer: C
Explanation: 生成式 AI 主打內容生成，並非專門做數值計算，後者更多屬於科學運算領域。

33. 企業若透過無程式開發平台整合「文字生成模型 + 企業知識庫」的主要目的？

A. 讓模型能回答企業內部知識，減少員工查資料時間
B. 替代所有員工
C. 必須 GPU
D. 做科學研究

Answer: A
Explanation: 整合內部知識使生成式模型能回答企業專屬問題，提升效率。

34. 在導入生成式 AI 時，試用測試應檢驗哪方面？

A. 只看表面
B. 模型生成內容的品質、錯誤率、對隱私/合規要求的符合度，以及用戶操作便利性
C. 不需測試
D. 全部依賴模型自測

Answer: B
Explanation: 試用測試要全面檢查輸出正確度、隱私安全、使用體驗等，確保滿足實際需求。

35. 當企業評估生成式 AI 導入效益時，下列何者最值得分析？

A. 營運效率提升、人工成本降低或品質升級能否抵銷模型 API / 平台費用
B. 模型名字好不好聽
C. 介面主題顏色
D. 獲利與合規無關

Answer: A
Explanation: 需評估商業回報與成本，包含平台費用、隱性風險，才能判斷導入的投資效益。

36. No Code / Low Code 平台若想提供「多國語言」的文字生成，需具備什麼？

A. 介面英文即可
B. 能對接支援多語的生成式模型 API，或在後端做翻譯流程
C. 僅能中文
D. 自動繪圖

Answer: B
Explanation: 多語言需求下，平台需串接支援多語言的模型（或中間翻譯流程）才能完成目標。

37. 在「試用測試」階段，若使用者反映輸出內容品質不一且偶有荒謬，下列哪個因應較合理？

A. 覺得模型不行就馬上廢棄
B. 先優化 Prompt、增加案例訓練或後處理規則，再做多次測試
C. 全部忽略
D. 提高硬體規格

Answer: B
Explanation: 生成式 AI 的「幻覺」問題可透過精心的 Prompt、規則設定和更多測試調整來改善。

38. 關於生成式 AI 在教育應用的場景，下列何者較不常見？

A. 自動生成教案、練習題
B. 自動批改作業（部分題型）
C. 3D 列印機控制
D. 協助學生閱讀理解等教學輔助

Answer: C
Explanation: 3D 列印機控制屬硬體層面操作，不是典型生成式 AI 教育場景；其餘則常見。

39. 若企業選擇「Low Code」平台自行調度 GPU 訓練生成式模型，下列何種風險較高？

A. 資安完全無虞
B. 模型可解釋性一定增加
C. 需具備基礎 ML 知識並能管理雲端運算費用，否則可能浪費大量成本
D. 模型不需任何資料

Answer: C
Explanation: 在自家 GPU 或雲端做訓練耗費龐大資源，若團隊缺乏 ML 經驗和成本管控，可能付出高昂代價卻收效有限。

40. 「High-level Prompt 設計」在生成式 AI 工具中指的是？

A. 僅給出單詞
B. 以較抽象或高層次描述需求，讓模型自由發揮
C. 完全無限制
D. 全程手寫程式

Answer: B
Explanation: High-level Prompt 提供一個大方向描述，讓模型可以創造性發揮，但需留意輸出可控性。

41. 生成式 AI 工具導入行銷時，下列哪個指標有助於評估成效？

A. CPU 溫度
B. 產生文案或圖像帶來的互動率、轉換率提升，以及人力成本節約
C. 模型參數量
D. 全部 K-Means

Answer: B
Explanation: 行銷應用著重轉化率、互動率、人力節省等，可以直觀量化導入成效。

42. 在使用 No Code / Low Code 進行 AI 解決方案設計時，若流程出現「模型輸出結果需再次二次處理」，可如何實現？

A. 直接放棄
B. 在平台內加上後處理組件或小段程式，針對輸出內容做格式化、檢核
C. 不可處理
D. 依賴隨機

Answer: B
Explanation: 大部分 Low Code 平台支援流程配置或嵌入少量程式碼以後處理模型輸出。

43. 「熟悉常見的生成式 AI 工具」包含下列哪些學習重點？

A. 僅看工具名稱
B. 了解其功能、適用場景（如圖像、文本、音訊）與操作方式
C. 只需程式進階知識
D. 全部一樣

Answer: B
Explanation: 不同生成式 AI 工具擅長領域有差異，需要了解優勢、操作特點與適用場景才能正確選用。

44. 在生成式 AI 規劃中，若發現需求與現有工具不匹配，下列因應策略何者最恰當？

A. 嘗試其他合適平台或考慮自行客製化
B. 堅持使用原工具
C. 放棄需求
D. 直接用無監督方法

Answer: A
Explanation: 工具與需求不匹配時，先考慮替代選擇或客製化，必要時才改變需求或流程。

45. No Code 平台若整合生成式 AI 作「問答機器人」，下列敘述何者較合理？

A. 完全無法部署
B. 建立圖形化「對話流程 + AI 回應」，可快速測試並上線，但複雜邏輯需留意平台限制
C. 運算成本必然為零
D. 不需資料隱私考量

Answer: B
Explanation: 此方式能快速創建聊天機器人原型，但複雜邏輯或自動化需要檢查平台是否支援。

46. 為了讓「生成式 AI」能更精準產生企業專業文檔，下列哪個動作必須進行？

A. 只使用預訓練模型
B. 提供企業專業領域知識資料（或稱「微調」、「知識庫」），並設計適切 Prompt
C. 不需要任何資料
D. 導入無監督分群

Answer: B
Explanation: 生成式模型若要產出企業專業內容，需添加企業資料或 Prompt 指令引導，使模型學得該領域背景。

47. 在多語言生成時，若企業需同時支援英/日/韓文文案，下列哪一個作法最有效？

A. 一個模型僅支援一語言
B. 採用支援多語的生成式 AI 工具，或整合翻譯 API 讓 No Code 流程自動切換語言
C. 不可多語
D. 全部手動翻譯

Answer: B
Explanation: 多語支援可用多語生成式模型，或串接翻譯 API，視需求選擇最有效的流程。

48. 使用「No Code / Low Code」平台做生成式 AI 應用時，實務上常見瓶頸是？

A. 全部功能都現成
B. 客製化要求高時會碰到平台限制，不得不轉為程式開發
C. 不需要前端介面
D. 完全不用人才

Answer: B
Explanation: Low Code 適合通用與快速原型，若需求特別複雜或高度客製，平台預設功能不足時就需切換至程式開發。

49. 在「生成式 AI」應用中，常用術語「Prompt」是指？

A. 模型權重檔
B. 用戶輸入或指令，引導模型生成內容
C. 迴歸函數
D. 影像增強

Answer: B
Explanation: Prompt 即使用者輸入的指令、上下文描述等，決定模型生成什麼內容。

50. 為什麼在導入生成式 AI 前，需要先確認資料與隱私風險？

A. 生成式 AI 不會用到資料
B. 可能上傳敏感數據至雲端模型，若未做好保護或合約，會有隱私與法規問題
C. 沒人會關心
D. 生成式 AI 一定符合所有合規

Answer: B
Explanation: 生成式 AI 常需把用戶資料傳給模型，有潛在資料洩漏風險，需明確管理與合規。

51. 若在 Low Code 工具中想「混合多個生成式 AI」用於不同階段，可能的流程是？

A. 圖形化介面中串接文字生成 → 再串接圖像生成 → 後處理 → 最終輸出
B. 全程手寫
C. 無法串聯
D. 需要 C++

Answer: A
Explanation: Low Code 可透過流程編排，把文字模型與圖像模型結合，完成多階段創作。

52. 對於不熟悉程式的行銷人員，No Code 平台如何協助生成式 AI 的使用？

A. 令其自行開發底層
B. 提供可視化模塊，例如「文字生成組件」，讓行銷人員直接設計 Prompt、預覽輸出
C. 僅能做資料標註
D. 無法幫助

Answer: B
Explanation: 行銷人員可使用可視化組件操作文字生成，無需寫程式即可創建、測試文案。

53. 「生成式 AI」在企業內的導入流程包含哪些步驟？

A. 無需合規
B. 需求與痛點分析 → 選擇工具 / 模型 → 試用測試 → 持續優化 → 部署維運
C. 先上線再考慮
D. 全部外包

Answer: B
Explanation: 一般導入流程需經明確需求、工具選擇、試用、優化與最終上線維運等環節。

54. 在試用生成式 AI 工具時，建議用什麼案例做測試？

A. 任何離題內容
B. 與實際應用最相關或典型的測試案例，衡量工具表現
C. 只使用簡單範例
D. 不用案例

Answer: B
Explanation: 以實際需求場景的測試案例驗證最能反映工具能否滿足應用要求。

55. 評估 No Code / Low Code 平台在生成式 AI 領域的可擴充性時，下列指標何者最重要？

A. 介面設計風格
B. 是否可插入客製程式碼、外部 API，並支援多種生成式模型
C. 不需任何擴充
D. 介面顏色

Answer: B
Explanation: 企業常需要自定義流程或串接特定模型，平台若支援 API 擴充、客製程式段等，可更好因應複雜需求。

56. 當使用生成式 AI 工具產生的大量文本被直接用於官網宣傳，下列何者風險最高？

A. 一定無版權疑慮
B. 內容真實性、誤導風險，若 AI 捏造數據或錯誤陳述可能造成法律或公關危機
C. 無需負責
D. AI 會自動審查

Answer: B
Explanation: 生成式 AI 有可能產生錯誤訊息或不實陳述，若企業直接採用於官方平台，需自行承擔風險。

57. 在企業內部若想做「生成式 AI」的敏捷實驗，下列哪個建議較可行？

A. 建立小組透過 Low Code 工具迅速原型，並收集部門反饋
B. 等全部資料蒐集再動手
C. 一次性上線大規模應用
D. 不做任何評估

Answer: A
Explanation: 小組先用 Low Code 做 MVP（最小可行產品），能快速試驗並及時迭代。

58. 「需求確認」對於生成式 AI 導入為何重要？

A. 只是形式
B. 若無明確需求，導入後難以評估成效，也可能產生無謂的功能堆疊
C. 一定要 GPU
D. 與合規無關

Answer: B
Explanation: 需求明確才能對目標成果、功能與預算做評估，否則易出現華而不實、難以落地。

59. 當多部門共同使用同一 No Code / Low Code 平台做 AI 方案，下列哪一點需特別關注？

A. 平台使用者介面
B. 權限分工與專案管理，避免流程衝突或權限濫用
C. 不需任何管控
D. 僅由 IT 部門決定

Answer: B
Explanation: 多部門協作時需明確專案管理、使用權限與流程調度，避免混亂。

60. 「熟悉生成式 AI 常見工具的基本操作」通常包含哪些面向？

A. 介面語言設定即可
B. 設定 Prompt、理解模型參數（溫度、回應長度等）、輸出格式與可能限制
C. 只要會寫程式
D. 與產品無關

Answer: B
Explanation: 生成式 AI 工具操作需懂如何調校 Prompt、參數與輸出限制等，以獲得所需結果。

61. 若工具聲稱支援「AI 文案生成」，實際測試卻發現產出跟行銷主題不搭，表示？

A. 可能 Prompt 不佳或工具不支援該領域，需進行更精準的場景設定或模型調整
B. 工具一定有問題
C. 行銷需求不重要
D. 生成式 AI 不適合文案

Answer: A
Explanation: 要取得符合行銷主題的內容，需要正確 Prompt 或設定；若工具並無足夠領域支援，也需考慮其它選擇。

62. 在導入中，若企業高層只重視「生成式 AI 很潮」，但忽略實際需求，易導致？

A. 大幅成功
B. 試用就好
C. 可能出現無效投資，因為沒有清晰應用場景與回報目標
D. 更低的資安需求

Answer: C
Explanation: 無實際需求或回報目標，僅為追趕潮流，容易造成浪費資源、導入失敗。

63. 「No Code / Low Code」在生成式 AI 方案的測試期特別適合何種規模企業？

A. 只適合大型企業
B. 只適合學術單位
C. 各種規模，尤其中小企業或部門想快速嘗試都可
D. 不適合任何企業

Answer: C
Explanation: 這些平台能快速做原型，中小企業、各部門想先測試功能非常方便。

64. 哪種情境下，使用者較不需要 No Code / Low Code 平台做生成式 AI？

A. 僅有程式能力極強的資深 AI 團隊，要全面客製到底層
B. 前端測試行銷文案
C. 簡易客服問答機器人
D. 新創初期 POC

Answer: A
Explanation: 如果已有成熟程式實力與複雜需求，可能直接寫程式客製；No Code / Low Code 對此不一定適用。

65. 若想讓模型產生的文字風格較正式，下列哪一種做法最直接？

A. 調整 GPU 型號
B. 在 Prompt 中指定語調、文體要求，如「請使用正式書面語」
C. 使用梯度下降
D. 無法改變

Answer: B
Explanation: 生成式 AI 受 Prompt 指令影響很大，指定語調能顯著改變文字風格。

66. 企業在試用生成式 AI 工具後，若想小規模上線，下列哪一個步驟不可省？

A. 介面色彩調整
B. 與真實資料與使用者流程整合，做彈性測試 & 風險評估
C. 全部交外包
D. 隨機選擇一台伺服器

Answer: B
Explanation: 小規模上線需整合真實資料、流程，並觀察使用者反饋及合規性，以確定可行後再擴大部署。

67. 關於 Low Code 平台的「模組化」，下列何者敘述最恰當？

A. 每個模組不可調整
B. 提供積木式組件，如輸入、API 調用、邏輯控制等，使用者可視需求組合
C. 僅能嵌入 Python
D. 全程自動

Answer: B
Explanation: Low Code 平台常用積木式模組，使用者拖放組合實現業務邏輯或 AI 流程。

68. 為什麼在「生成式 AI 規劃」中，需要確定「適用場景」？

A. 生成式 AI 通用於一切
B. 不同場景對輸出格式、精度、速度要求不同，也影響工具與模型選擇
C. 不需考慮
D. 同樣 Prompt 用於所有情境

Answer: B
Explanation: 場景決定要素，如文本長度、風格、即時性等，選擇適合的模型和流程相當關鍵。

69. 下列哪個方針能降低生成式 AI 輸出敏感或不當內容的風險？

A. 完全不設限
B. 在 Low Code 流程中增加過濾模組，如關鍵詞檢測、審核機制
C. 不可調整
D. 丟到外部社群檢查

Answer: B
Explanation: 增加過濾或審核功能，可及早攔截不當內容；很多企業導入都會有此流程管控。

70. 在選擇「No Code / Low Code」平台時，若企業需做多國分公司部署，需考量什麼？

A. 平台語言是否只有中文
B. 是否支援多地區雲端部署、是否符合各國資料法規
C. 只考慮介面主題
D. 無須考慮

Answer: B
Explanation: 多國部署須看平台能否在不同地區雲端運行，並遵守各地資料隱私法。

71. 當評估一款生成式 AI 工具能否滿足「行銷超大量文案生成」需求，下列何者為重點？

A. 工具輸出速度、批量處理能力、客製字段插入，以及是否有 API
B. 工具介面多個按鈕
C. 只能單篇生成
D. 不需任何後處理

Answer: A
Explanation: 若要批量生成行銷文案，需考慮批量處理效率、可否插入客製資訊等。

72. 「陳列、測試、反覆修正」是何種方法在 AI 導入中的典型作風？

A. 瀑布式
B. 敏捷開發（Agile）
C. 完全不測試
D. BPR

Answer: B
Explanation: 敏捷開發強調小步試驗、快速回饋，對生成式 AI 的流程也適用。

73. 在 Low Code 流程中，若需要將生成式 AI 輸出存入企業內部資料庫，下列哪個做法可行？

A. 直接無法
B. 在可視化介面增加資料庫寫入模組，連接生成輸出至該模組
C. 用 CSV 匯出再手動導入
D. 全部丟棄

Answer: B
Explanation: 大部分 Low Code 平台都有資料對接模組，可以將 AI 輸出寫入資料庫或其他後端。

74. 為何「隱私資料」對生成式 AI 工具特別敏感？

A. AI 不需要資料
B. 提供給模型的輸入可能包含機密，若工具未做好保護，可能外洩給第三方
C. 隱私不值錢
D. 使用者不會在意

Answer: B
Explanation: 生成式 AI 通常把輸入送到雲端運算，若含機密資料且無適當保護，易造成洩漏風險。

75. 哪一個角色對「生成式 AI」與「No Code / Low Code」結合特別感興趣？

A. 資深 DevOps
B. 業務/行銷/教育等非程式背景人士，想快速構建 AI 應用原型
C. 網管
D. 數學博士

Answer: B
Explanation: 非程式人員可透過低程式平台輕鬆上手生成式 AI，滿足業務需求。

76. 下列何者可能是「生成式 AI 工具」導入後需建立的「使用規範」？

A. 允許任何資料輸入
B. 明確禁止上傳客戶隱私或限制敏感信息的輸入，以免違反法規
C. 要求員工 24 小時監控
D. 僅限於影像

Answer: B
Explanation: 通常企業會規定不可將機密/隱私資料輸入公共模型，避免法規風險。

77. 生成式 AI 應用規劃時，若預算有限，建議先採何種策略？

A. 一次購買最大 GPU
B. 先用雲端 API（例如 OpenAI）或低程式平台試驗，再評估是否需要自建大模型
C. 裝配高階伺服器
D. 不做評估

Answer: B
Explanation: 雲端 API 成本彈性，可先小規模試用，若需求確定再考慮自建環境，降低風險。

78. 在「資料前處理」對於生成式 AI 有何意義？

A. 完全不需
B. 若有企業內部知識庫，需整理/清洗後才能給模型使用，或做 Prompt Inject
C. 只用原始雜亂檔案
D. Prompt 不重要

Answer: B
Explanation: 結合內部知識時，必須先清洗與結構化資料，讓模型能正確引用或檢索。

79. 哪個因素會限制 No Code / Low Code 在「影像生成式 AI」的應用？

A. 沒有
B. 影像生成可能需要高運算量，若平台無 GPU 支援，速度或品質受限
C. 圖形介面太美觀
D. 語言翻譯

Answer: B
Explanation: 影像生成對硬體有要求，若平台背後運算支援不足，生成速度與品質會受影響。

80. 在多個生成式 AI 工具評估中，下列哪個面向較不屬於「熟悉與選擇」範圍？

A. 各工具對於文字/圖像/音樂等能力
B. 模型類型與資源需求
C. 介面語言
D. 財務報表合併方式

Answer: D
Explanation: 财報合併屬財務管理，不是生成式 AI 工具範疇；其餘屬常見工具選擇考量。

81. 若企業想快速針對該工具做「試用測試」，可採用何種做法？

A. 敏捷式小組，以真實用例快速測試功能、收集回饋
B. 只做紙上談兵
C. 長期執行瀑布專案
D. 無需用例

Answer: A
Explanation: 建議組小組試行，用敏捷方法快速迭代，以真實場景的用例檢驗工具。

82. 在「No Code」環境下若要提升生成式 AI 的自訂化程度，下列做法可能需要？

A. 重寫整個程式
B. 在平台提供的可插入程式碼區（或外部微服務）添加特定邏輯
C. 無需任何調整
D. 僅使用拖拉頁面

Answer: B
Explanation: 當需要進階客製時，多半需插入少量程式碼或外部 API 微服務，以突破平台限制。

83. 為使工具能「掌握企業品牌語調」並生成一致風格文案，下列哪種方式最常見？

A. 不可實現
B. 以範例或模板在 Prompt 中給予明確風格示範，或微調模型
C. 只靠運氣
D. 以無監督聚類

Answer: B
Explanation: 可在 Prompt 提供品牌風格示例、用語，或對模型進行小樣本微調，使輸出更符合企業調性。

84. 「設計與測試」生成式 AI 解決方案時，下列哪種測試範圍較完整？

A. 僅表面功能
B. 功能測試 + 回應品質測試 + 辨識或生成錯誤率 + 性能/負載測試 + 資安與合規測試
C. 只做使用者介面
D. 不測試

Answer: B
Explanation: 要完整測試功能、品質、性能、資安、合規等面向，才能評估是否可安全高效地上線。

85. 在行銷活動中使用生成式 AI 時，若與無程式平台結合，下列哪種功能可能被廣泛應用？

A. 全自動抽獎
B. 生成圖像素材、廣告文案，一鍵導出社群貼文
C. 製作大型社會工程
D. 強化學習競賽

Answer: B
Explanation: 行銷活動常用圖文創作，Low Code 可提供圖形化串接生成式 AI，快速出圖或文案。

86. 若該 Low Code / No Code 工具缺乏 API 整合能力，對「生成式 AI」應用有什麼影響？

A. 無差
B. 無法順利對接第三方模型或雲端生成服務，功能大幅受限
C. 一定更安全
D. 更利於深度開發

Answer: B
Explanation: 沒有 API 整合就難連接外部 AI 服務，也無法擴充生成式功能。

87. 下列哪一點是在導入生成式 AI 時最常見的錯誤假設？

A. 工具能節省部分創作人力
B. 生成結果仍需專家審核
C. AI 需資料支援
D. 模型輸出一定是 100% 正確、無需任何人驗證

Answer: D
Explanation: 生成式 AI 有幻覺、偏差風險，輸出不可能 100% 保證正確，需人員審核。

88. 為什麼企業在規劃生成式 AI 的需求時，常要收集部門痛點與流程？

A. 不需要
B. 以便判斷 AI 如何整合到現有業務，提高實際價值
C. 隨機套用
D. 僅給 IT 部門參考

Answer: B
Explanation: 了解各部門痛點才能對症下藥，將生成式 AI 融入流程發揮實際效益。

89. 哪個要素最能確保「試用測試」階段能真正找出問題？

A. 線上直接開放
B. 使用真實資料與用例，包含各種邊緣情況進行測試
C. 只用最簡單範例
D. 短時間無差

Answer: B
Explanation: 多使用真實且多樣化用例，才能暴露系統在各種狀況下的缺陷或風險。

90. 當企業想大規模使用生成式 AI 產生對外文宣時，下列哪個合規議題最值得關注？

A. 僅介面風格
B. 內容是否包含他人版權素材、虛假或歧視性字句
C. 資料庫大小
D. 只關注 CPU

Answer: B
Explanation: 外部文宣涉及版權、歧視、不實宣傳等法律風險，需要審核生成內容避免違規。

91. 「熟悉生成式 AI 常見工具」對於技術專家與非技術員工各自有何差異？

A. 技術專家需瞭解 API 與模型機制，非技術員工則重視操作介面與產出
B. 兩者都不需掌握
C. 非技術員工只看原始碼
D. 專家不需學

Answer: A
Explanation: 技術專家更重視底層與 API 等技術細節，非技術人員則關心操作易用與結果品質。

92. 在 No Code / Low Code 平台中，「可視化流程設計」對生成式 AI 之優勢為？

A. 增加部署難度
B. 讓使用者快速串接模型、設定參數、規定生成步驟與分支條件，而不必寫程式
C. 閉源限制
D. 不可擴充

Answer: B
Explanation: 可視化流程能讓不懂程式的用戶理解與配置生成過程，快速度原型化。

93. 生成式 AI 工具在「試用版」與「企業版」有何常見差異？

A. 二者相同
B. 企業版通常提供更高配額、隱私合規、SLA 支援、客製選項等
C. 試用版一定更好
D. 僅介面不同

Answer: B
Explanation: 試用版功能或用量有限，企業版付費後可獲更高配額、安全合規保證、客製功能。

94. 在規劃使用生成式 AI 的「資源分配」時，下列哪種思考較為完整？

A. 只租借一台 GPU
B. 評估雲端 API 成本、團隊技能、流程時間、人力與維護預算，以及可能的 ROI
C. 無需考慮商業回報
D. 全程外包不追蹤

Answer: B
Explanation: 資源分配需兼顧硬體/雲端成本、人員技能、預期回報，並持續追蹤專案進度與預算。

95. 關於「合規」在生成式 AI 中的地位，下列說法何者正確？

A. 只需技術層面
B. 需確保數據隱私、輸出合法性、避免侵犯著作權或歧視性內容
C. 與使用者無關
D. 反正是測試階段不必管

Answer: B
Explanation: 合規考量涵蓋隱私、著作權、偏見與歧視審查等，必須全流程重視。

96. 在導入生成式 AI 之前，若企業內部資料品質不佳，會帶來什麼結果？

A. 不影響
B. AI 生成結果可能不準或不一致，若內部知識庫雜亂，效果不佳
C. 更容易成功
D. 提高模型參數

Answer: B
Explanation: 生成式 AI 若依賴企業內部資料，但該資料品質差，則輸出可信度與精準度也會受影響。

97. 初步規劃「生成式 AI」的落地需要哪些關鍵環節？

A. 資料蒐集與處理、工具選型、POC / 試用、風險與合規評估，以及最終部署策略
B. 只做工具比較
C. 全部外包
D. 僅看模型名稱

Answer: A
Explanation: 落地流程必須包含資料、工具挑選、試用測試、合規風險評估、部署策略等關鍵環節。

98. 在行銷文案與圖像生成場景中，常用生成式 AI 工具有 ChatGPT、Midjourney 等，若公司想在同一平台管理，下列做法可行？

A. 不可行
B. 使用 Low Code 平台串接這些服務 API，將輸出結果流進同一流程與資料庫
C. 僅能手動下載上傳
D. 自己寫底層

Answer: B
Explanation: 可透過 Low Code 平台將文字與圖像 API 都接進單一流程，輸出資料統一管理。

99. 「試用測試」成功後，若企業要將生成式 AI 上線，下列哪個步驟最容易被忽略？

A. 系統介面美化
B. 資安與使用者權限控管，確保正式環境不出現資料洩露
C. 效率調優
D. Prompt 設計

Answer: B
Explanation: 很多企業容易忽略正式上線時的安全、權限、合規落實，導致後續風險。

100. 當開發者對 No Code / Low Code 感到侷限，如何解決？

A. 僅能放棄
B. 平台若支援「程式碼擴充」或外部微服務，即可融合自定邏輯與生成式 AI
C. 必須重新採用紙本
D. 轉而無監督學習

Answer: B
Explanation: 遇侷限時，可透過平台預留的程式擴充介面或外部微服務呼叫，實現更多客製化邏輯。

第 2 部分（題號 101～200）

101. 在 No Code 平台中，若要串接生成式 AI（如 GPT-4）製作「客服回覆」，哪一個步驟較不可少？

A. 手動分群
B. 設計 Prompt，包括語言、禮貌程度、品牌風格，並對接回覆流程與後端系統
C. 只有模型即可
D. 僅匯出 CSV

Answer: B
Explanation: 生成式 AI 需合適的 Prompt 設定，搭配平台流程串接，以便客服系統能正確輸出與記錄。

102. 為了讓業務人員也能操作生成式 AI 工具，下列哪一種做法最有利？

A. 寫大量 Python 腳本
B. 建置圖形化介面或採用 Low Code 平台，讓業務能直接透過視覺化設定
C. 全權交給後端工程師
D. 僅用 CLI

Answer: B
Explanation: Low Code / No Code 提供圖形介面，可讓非技術人員透過拖拉組件等方式操作模型與流程。

103. 在「需求確認」中，若發現企業想將生成式 AI 用於品牌故事撰寫，下列哪點不是主要問題？

A. 如何體現品牌調性與價值
B. 版權合規
C. 企業財務報表中資產負債
D. 輸出格式（長度、語言）

Answer: C
Explanation: 品牌故事撰寫重視風格、合規（圖片/文案著作權）與輸出格式；財務報表屬不同領域。

104. 下列哪種情況更適合「Low Code」而非「No Code」？

A. 需要快速試驗基礎功能，無須額外程式碼
B. 想在基礎之上做進階客製化邏輯或資料處理
C. 完全不需合規
D. 僅做簡單產出

Answer: B
Explanation: Low Code 可以插入少量程式碼與自定義邏輯，適用於需要中度客製化的情境；No Code 則更侷限。

105. 在企業落地生成式 AI 時，下列哪一項風險常遭忽略？

A. 系統操作流暢度
B. 生成內容可能含歧視、盜用、誤導資訊，需審核機制
C. 平台是否支援雲端
D. 只關注模型參數

Answer: B
Explanation: 生成式 AI 有「幻覺」與潛在歧視、違法等風險，必須建立輸出審核與合規管理。

106. 使用 No Code 平台整合圖像生成（如 Stable Diffusion）與文字生成（GPT-4）做多媒體創作，下列描述何者正確？

A. 不可同時使用
B. 可以在平台內建立「文案 → 圖片」或「圖片 → 文案」流程，並串接不同模型 API
C. 一定要程式來實現
D. 需要數據庫

Answer: B
Explanation: 多數 Low Code 平台支援多 API 串接，可先生成文字再生成圖像，或反之。

107. 當人員無程式背景，也想自訂生成式 AI 輸出的語氣，下列哪個要素最關鍵？

A. 語音裝置
B. 在介面中設計 Prompt 範本（指定語氣與用詞），不需程式
C. 全程依賴工程師
D. 語法樹分析

Answer: B
Explanation: 只需在 Prompt 中描述所需語氣與風格即可，大多數圖形化介面支持此設定。

108. 如果企業有敏感數據，想讓生成式 AI 利用該數據進行生成，下列哪個策略較安全？

A. 直接上傳到公開模型
B. 在企業內部保留數據，只將摘要或部分脫敏資料供 AI 使用，或選擇私有化部署
C. 完全忽視資料外流
D. 無需措施

Answer: B
Explanation: 敏感數據不可直接發送到公有服務。可用脫敏、摘要方式或私有部署，確保隱私。

109. 哪種測試方式有助於確保企業生成式 AI 工具在不同部門的順利運作？

A. 單一功能測試
B. 協同測試（多部門共同使用真實場景），觀察數據流轉與成效
C. 不需部門參與
D. 手動檢查數據

Answer: B
Explanation: 多部門協同測試可驗證流程整合與使用者的實際需求，發現跨部門問題並及時解決。

110. 在 No Code 平台做「圖像生成」後，若想自動發佈到行銷社群，下列哪一種功能不可或缺？

A. 介面換顏色
B. 平台支援排程與社群 API，將生成圖像自動上傳至指定社群帳號
C. 必須做硬體升級
D. 不需任何網路連線

Answer: B
Explanation: 要自動將生成圖片發佈，需能串接社群 API、設定排程或條件觸發流程。

111. 「Prompt 工程」在生成式 AI 中指的是？

A. 僅用程式配置
B. 設計與撰寫指令或上下文，引導模型產出預期內容
C. CNN 卷積核
D. 圖像增強

Answer: B
Explanation: Prompt 工程是關鍵方法，通過構造合理指令影響 AI 生成內容。

112. 當行銷部門使用生成式 AI 工具產生大量文案後，IT 部門擔心什麼問題最多？

A. 內容創意
B. 版權與隱私、平台連線費用、若文案不當造成公司聲譽影響
C. 文字太短
D. 只需打包備份

Answer: B
Explanation: IT 會注意資料安全、費用、合規與聲譽風險，需要與行銷部門合作設定守則與審核機制。

113. 在 Low Code 平台部署 AI 方案後，若遇到外部服務改版，最可能影響？

A. 介面風格
B. 平台無法繼續串接，API 調用失效，需要調整流程
C. 一定更快
D. Prompt 中英文

Answer: B
Explanation: 生成式 AI 通常使用外部 API，若對方改版，原串接流程可能失效或需更新。

114. 在「生成式 AI 導入規劃」中，若最終要大規模商用，下列哪一點不應省略？

A. 模型名字
B. 性能測試（如同時並發處理能力）、錯誤容忍度與擴充方案
C. 美工設計
D. 不需任何文件

Answer: B
Explanation: 大規模使用時，並發性能與系統可擴充性關鍵，否則一旦用戶量增加就會崩潰。

115. 在 No Code / Low Code 情境下，若想讓客戶能填寫表單後自動生成合約雛形，下列做法可行嗎？

A. 可在平台中設計「表單 → AI 文案生成 → 匯出 PDF」流程
B. 不可實現
C. 需要強化學習
D. 只剩 CSV

Answer: A
Explanation: 透過可視化串接表單資料，傳給文字生成模型，再輸出 PDF，即可完成此自動化流程。

116. 下列哪個面向不屬於「初步規劃生成式 AI」時要考慮的內容？

A. 模型供應商（API）費用與預算
B. 員工假期安排
C. 資料安全與隱私
D. 需求與測試流程

Answer: B
Explanation: 假期安排不屬導入規劃核心；其餘費用、隱私、需求皆是重要考慮。

117. 「No Code / Low Code」工具能夠透過什麼方法對生成式 AI 輸出添加行業規則？

A. 在流程中安插規則檢驗或後處理組件（半程式或圖形化設定），若不符則回退或修改
B. 無法
C. 全部手寫
D. 只能用深度學習

Answer: A
Explanation: 平台支持在流程設計中插入判斷條件或規則程式，達到審核或修正輸出。

118. 在導入時，若企業擔憂生成式 AI 會「偽造數據」，下列哪一個對策可用？

A. 不可避免
B. 要求模型必須提供引用/來源，或在後處理中檢查並過濾非真實的引用
C. 全權信任
D. 只提供照片

Answer: B
Explanation: 可在 Prompt 及後處理階段要求引用來源，或加上審核流程以減少「幻覺」風險。

119. 若選擇某 No Code 工具作為主平台，但發現生成式 AI 模型版本落後，可能解法為？

A. 無法解決
B. 看該工具是否支持更新 API 或客製接入最新版本
C. 放棄
D. 不在意版本

Answer: B
Explanation: 若平台能更新 API 或接入自訂模型，就能升級至新版本；否則得考慮換平台或自行開發。

120. 在「需求確認」環節若發現有多個生成式 AI 工具都能做文案生成，應如何篩選？

A. 僅看廣告
B. 根據用例與試用測試，評估生成品質、速度、成本與操作便利度
C. 隨機選
D. 看介面顏色

Answer: B
Explanation: 透過實際用例試用、比較輸出品質、操作體驗、費用等綜合評估最適切工具。

121. 在行銷部門擴充到要做「真人語音廣告」自動產生，若平台只支援文字生成，應如何因應？

A. 無解
B. 可結合 TTS（Text-to-Speech）API 或具語音生成功能的工具，在 Low Code 流程中新增此步驟
C. 放棄
D. 使用 CNN

Answer: B
Explanation: 文字生成後轉語音，需接 TTS 功能。若原平台不內建，可透過外部 API 模組串接實現。

122. 哪種做法能有效控制 No Code 工具中的生成式 AI 執行成本？

A. 完全不考慮
B. 限制使用者呼叫次數或特定流程中加條件觸發，並監控 API 用量
C. 無法控制
D. 全部改手寫

Answer: B
Explanation: 可在流程中設限呼叫頻率，並監控後台 API 次數及支出，以避免費用爆增。

123. 「熟悉生成式 AI 常見工具」時，針對圖像生成工具如 Midjourney、Stable Diffusion，下列哪項不屬關鍵對比？

A. 圖像生成速度、品質與風格
B. 模型大小
C. 是否可離線部署或雲端 only
D. CPU 溫度記錄

Answer: D
Explanation: CPU 溫度非主要對比項；其餘工具特性，如速度、品質、部署方式，都會是關鍵指標。

124. 一家公司若要快速測試多款生成式 AI 模型以對比成效，下列哪個方法較有效率？

A. 編寫大量命令列測試
B. 建立 Low Code / No Code 流程範本，一次串接多模型做相同 Prompt 輸出並比對
C. 僅看線上宣傳
D. 人工測試

Answer: B
Explanation: 透過可視化流程同時呼叫多模型，並比較輸出，可節省大量人工測試時間。

125. 為何強調在導入前要做「需求確認」與「場景分析」？

A. 企業應用若沒對準痛點，生成式 AI 可能成為「好看卻沒實際價值」的花瓶
B. 無需任何規劃
C. 預防資安
D. 只看 GPU 性能

Answer: A
Explanation: 若缺乏明確應用場景與需求，AI 可能與實際業務脫節，導致無法發揮投資效益。

126. 「微調（Fine-tuning）」在生成式 AI 中指的是？

A. 完全重新訓練
B. 先利用預訓練模型，再用小量專業數據進行局部更新，讓模型適應特定領域
C. 只改 Prompt
D. 只用無監督

Answer: B
Explanation: Fine-tuning 通常是在大型預訓練模型之上，以少量領域資料進行特定領域調教。

127. No Code 工具若自帶「資料讀寫介面」，可如何輔助生成式 AI 開發？

A. 幫助訪問企業資料，將資料整理後傳給 AI，並將 AI 輸出存回資料庫
B. 僅能讀檔案名
C. 無法協助
D. 必須使用 C++

Answer: A
Explanation: 透過內建讀寫模組，可輕鬆將資料送入 AI、接收輸出並寫回資料庫或介面，整合業務流程。

128. 若企業要確保生成式 AI 系統符合「永續維運」與「長期效益」，下列何者最關鍵？

A. 把試用版當正式版
B. 訂定維運策略（監控 API 花費、定期檢測輸出品質、可擴充架構），並有負責團隊持續優化
C. 讓模型自動學習就好
D. 無需更新

Answer: B
Explanation: 持續監控與優化十分重要，包括費用、品質、技術升級與專責維運團隊，確保長期健康運行。

129. 在「試用測試」階段發現生成式 AI 對特定用詞翻譯不佳，可能做法？

A. 放棄
B. 優化 Prompt 或提供該領域詞彙字典，並持續測試修正
C. 轉成影像
D. 只保留錯誤

Answer: B
Explanation: Prompt 能指定領域術語解釋或額外詞典，反覆測試直到翻譯品質提升。

130. 哪種角色在「No Code / Low Code + 生成式 AI」專案中，最常負責審核合規與風險？

A. 完全無人
B. 法務/合規部門與資安/IT 人員協同，把關資料與輸出內容
C. 只有行銷部門
D. 模型自動審核

Answer: B
Explanation: 合規與風險需法務、資安人員共同檢視，避免資料洩漏或違規內容。

131. 「低程式平台」若預設提供「文字生成組件」，通常可設定下列哪一種參數？

A. 僅介面顏色
B. 模型溫度（temp）、回應長度、訊息風格等 Prompt 相關
C. 訓練迴圈數
D. 神經網路層數

Answer: B
Explanation: Low Code 平台多允許在組件中設定生成參數，如溫度、回應長度或上下文等，用於調整輸出。

132. 對於「生成式 AI」的導入試用，下列描述何者較合理？

A. 一試用就能直接上線
B. 訂立明確測試指標（正確度、用戶滿意度、錯誤率等），短期內反覆驗證，視結果調整
C. 不需反覆測試
D. 只看外觀

Answer: B
Explanation: 試用需有量化或質化評估指標，再根據結果迭代微調 Prompt、流程或工具。

133. 若要提升企業人員對生成式 AI 工具的使用熟練度，下列哪一點較有效？

A. 僅發個簡訊
B. 舉辦培訓工作坊、提供操作手冊與範例流程，引導員工親手實操
C. 全部交給外部顧問
D. 只看官網介紹

Answer: B
Explanation: 實際演練與詳細教學能快速提升員工對新工具的接受度與熟悉度。

134. 使用生成式 AI 生成文案後，企業常會要求某種「後處理」？

A. 不需要
B. 檢查特定用詞風格、排除敏感或違法字句、再整合企業品牌關鍵字
C. 全部自動過關
D. 僅做語音轉文字

Answer: B
Explanation: 後處理可過濾不當用詞並套用品牌要求，確保最終輸出符合企業風格與合規。

135. 在導入中，若企業沒有明確 KPI 或成效指標，可能導致什麼問題？

A. 更好落地
B. 無法判斷實際效益，易成為「嘗鮮」花費，后續難以維繫
C. 反而更自由
D. 立即成功

Answer: B
Explanation: 缺乏 KPI 很難衡量成果，也難在資源競爭中持續推動專案。

136. 哪種生成式 AI 工具較適用「影音內容」快速合成？

A. OpenAI GPT
B. Midjourney
C. Text-to-Video / Speech-to-Video 工具，如可根據文字或語音生成簡單影片
D. K-Means

Answer: C
Explanation: GPT、Midjourney 分別針對文字/圖像；若要影音合成需 Text-to-Video 或類似專門工具。

137. 在 No Code / Low Code 平台裡測試生成式 AI API 時，常見瓶頸是？

A. 平台無法彈性修改 request payload
B. 必須自建 GPU
C. 沒有 Prompt
D. 不可做測試

Answer: A
Explanation: 有些平台對 API 呼叫格式限制，若無法靈活修改 request/response 參數，就難以深入客製化。

138. 當想讓生成式 AI 工具產生多種風格版本供行銷參考，下列哪個做法較有效？

A. 一次只產一種
B. 透過 Prompt 提示要求多風格，或以流程循環多次呼叫，收集多份輸出
C. 僅依賴手動複製
D. 不可能

Answer: B
Explanation: 可在 Prompt 指明希望多種風格或在流程中重複呼叫產生不同版本，利於比較。

139. 若已經在 Low Code 平台中做完原型，企業要進階客製大量函式，下列處置方式可能是？

A. 無法客製
B. 於平台支援的可插入程式碼區開發，或將流程部分轉至程式化環境（hybrid）
C. 直接強行放棄
D. 只能自建資料庫

Answer: B
Explanation: 平台通常支援部份程式擴充；若客製需求龐大，可採平台 + 客製混合方式。

140. 「合規」在生成式 AI 導入時，對人事部可能產生的關注點？

A. 不用
B. 敏感個資（員工資料）若輸入模型須防止外洩；做內部說明與規範
C. KNN
D. 只要美觀

Answer: B
Explanation: 人事部關切員工資料隱私安全，必須制定規範避免將個人敏感信息輸入公有模型。

141. 若要教企業員工使用某生成式 AI 工具產生「客製簡報文案」，下列哪種示範最直接有效？

A. 理論課為主
B. 實際操作流程：員工輸入專案背景→生成模板→修改成果→導出簡報
C. 只看API文件
D. 介紹硬體架構

Answer: B
Explanation: 實際操作能讓員工更快上手，從輸入到輸出一次演練最直接有效。

142. 在規劃資源分配時，若業務量不穩定，哪個模式可減少浪費？

A. 固定買高階伺服器
B. 選擇具彈性計費的雲端生成式 AI API，依使用量付費
C. 一定自建硬體
D. 停用備援

Answer: B
Explanation: API 式雲端可隨使用量付費，業務量小時費用低，需求暴增時可自動擴容。

143. 在 Low Code 管理介面中，若部署多個生成式 AI 流程，需要「版本控制」，原因是？

A. 版本控制可同時上線多版本
B. 產生衝突時能回溯，避免改壞或流程失效
C. 只看線上文件
D. 不需要版本

Answer: B
Explanation: 版本管理使得若出現錯誤可回退，也能多人協作維持有序。

144. 若行銷部門的試用結果顯示生成式 AI 產生的文案常被訴「缺乏情感、過度機械」，可嘗試？

A. 啟用多頭注意力
B. 修改 Prompt，加進品牌特色與語氣描述，或採用微調加上情感字典
C. 直接放棄
D. 只改顏色

Answer: B
Explanation: 生成式 AI 被指機械化時，可以強化 Prompt 或微調，注入更多情感詞與範例。

145. 哪個情形更能發揮「Low Code」快速實作的優勢？

A. 小範圍、明確目標的 AI 原型（如客服 Q&A Demo），需求中度客製
B. 大型 ERP 系統底層
C. AI 芯片開發
D. 無界面

Answer: A
Explanation: Low Code 最適合中小規模且需求明確的專案，尤其是快速原型或 Demo 階段。

146. 在導入「生成式 AI」規劃時，若顧客資料非常敏感，下列哪個做法最安全？

A. 直接送到 ChatGPT
B. 考慮自建私有化大模型或使用加密代理與公有雲 API，但不直接提交原始敏感資訊
C. 不需考量
D. 丟棄資料

Answer: B
Explanation: 有敏感資料時可保留在私有環境，或以脫敏/加密代理的方式與模型互動，避免洩漏機密。

147. 「試用測試」中，若預期 80% 的使用者能在 3 分鐘內產生有效結果，代表怎樣的測試指標？

A. 使用者體驗衡量（UX KPI）
B. 無關
C. 只看 GPU
D. F1-Score

Answer: A
Explanation: 這是屬於 UX/可用性層面的指標，看使用者能否順利在短時間內產出所需結果。

148. 評估某生成式 AI 工具是否適合「多語言技術文件摘要」，可從哪角度下手？

A. 僅看 UI
B. 是否支援多語，能否客製語言模型；對技術用語翻譯品質與總體成本
C. 全部子母行
D. 不需要考量

Answer: B
Explanation: 多語技術文件需正確翻譯/摘要複雜專有名詞，工具是否支援該領域、翻譯質量、成本都要評估。

149. 當企業採用「外部 AI 平台」+「No Code 編排流程」，哪一項風險最高？

A. 使用者介面風格
B. 外部平台若改 API 或漲價，內部流程受影響，需要彈性應對
C. 模型精度一定最高
D. 不會存在風險

Answer: B
Explanation: 外部平台可能改變 API、合約或收費模式，需要提早做好彈性對策。

150. 若想開放使用者於網站輸入關鍵字，再由 AI 自動產生對應商品文案，下列哪個做法最可行？

A. 長期派人寫文案
B. 在 Low Code 平台製作前端表單 + 串接 GPT-API，產生完文案後寫入資料庫，最後顯示給用戶
C. 無法自動
D. 需要 HDFS

Answer: B
Explanation: 透過前端表單收集關鍵字，呼叫文字生成 API 再存入資料庫，即可完成該流程。

151. 在企業內做「生成式 AI 試用」，若缺乏明確目標，但員工熱情高，預期結果可能是？

A. 很成功
B. 可能產生很多不實際的應用 Demo，難落地
C. GPU 利用率高
D. 一定能帶來營收

Answer: B
Explanation: 若沒有目標導向，員工可能隨意嘗試，產生創意但缺乏針對性，最終難落地。

152. 「精細管理 Prompt」為何對生成式 AI 成果至關重要？

A. Prompt 決定輸出方向與質量，若無設計好就可能結果混亂或離題
B. Prompt 無用
C. GPT 不需指令
D. 只看硬體

Answer: A
Explanation: 生成式 AI 依賴 Prompt 來理解需求，設計與修正 Prompt 能顯著影響輸出品質。

153. 在 No Code 流程中，若要快速擴展測試用戶數量，下列哪個功能比較關鍵？

A. 僅限管理階層
B. 平台角色與權限管理，能為更多用戶開通試用介面並記錄操作
C. 模型參數
D. 手動收集

Answer: B
Explanation: 角色與權限管理可安全地擴大測試用戶群，並追蹤操作與回饋。

154. 哪一個指標能衡量「文字生成模型的重複率」或多樣性？

A. BLEU / ROUGE 通常看翻譯或摘要
B. Novelty / Diversity 指標
C. AUC
D. RMSProp

Answer: B
Explanation: BLEU/ROUGE 適用翻譯或摘要，多樣性與重複度可用專門的 Novelty / Diversity 或 N-gram 分析。

155. 若企業關注合規，想確保生成式 AI 不會違反 GDPR，該注意哪些？

A. 模型可解釋度
B. 不得上傳歐盟用戶個資至未受保護的外部模型；需明確告知使用目的與範圍
C. GPU 型號
D. 只要在本地

Answer: B
Explanation: GDPR 要求明確使用目的、資料保護，若要送歐盟用戶個資到公有模型，恐違規。

156. 「自動驗證輸出」在生成式 AI 流程中如何實現？

A. 沒辦法
B. 可在編排流程中加入檢查規則（例如禁用詞、格式檢核），若不符則返回重試或人工審查
C. 全部手動
D. 僅能容忍錯誤

Answer: B
Explanation: 利用 Low Code 可插入自動檢查步驟，若輸出違規或格式錯，可再度生成或轉人工。

157. 若要利用生成式 AI 直接在文件中標註重點，下列哪個功能最可能需要？

A. 無監督分群
B. 文字分段解析 + 生成式摘要或 Highlight 功能 + 可能的可視化 UI
C. CNN 卷積
D. K-Means

Answer: B
Explanation: 要標註重點，需先分段抽取內容，再讓生成式 AI 摘要或突出重點，最後前端顯示標註。

158. 敏捷開發與生成式 AI 的結合，下列何者是常見流程？

A. 需求→設計→一次性完成
B. 小步試驗生成結果→用戶回饋→修正 Prompt 或流程→重複迭代
C. 不需要回饋
D. 指令複雜

Answer: B
Explanation: 敏捷強調快速迭代，生成式 AI 執行結果容易看出好壞，適合多次回饋與改進。

159. 若要在「No Code 平台」中匯入自家文字數據做微調，可能遇到什麼限制？

A. 沒有限制
B. 平台可能不支援自動微調或需另付費、或無 API 介面給你上傳訓練資料
C. GPU 足夠
D. Prompt 無效

Answer: B
Explanation: 有些平台只提供標準 API，不支援直接微調；或需升級付費專案才能上傳微調資料。

160. 在企業中導入生成式 AI，若行銷與法務對「內容合規」觀點不同，建議做法？

A. 隨便決定
B. 建立跨部門協作與審核流程，讓法務檢核潛在風險，行銷優化創意
C. 僅給法務部門
D. 全由行銷決定

Answer: B
Explanation: 需跨部門合作，行銷掌創意、法務把關合規，確保AI產出符合商業需求與法律要求。

161. 若「Low Code」平台主打「影像 + 文字」整合，但實測時圖像生成速度非常慢，代表？

A. 模型精度極高
B. 平台後端 GPU 或 API 速度有限，需要升級或更換服務
C. Low Code 一定差
D. Prompt 設定錯

Answer: B
Explanation: 速度過慢通常是運算資源或 API 性能問題，可考慮升級服務或換更高效平台。

162. 在試用生成式 AI 工具時，設計哪些「異常情境」測試很重要？

A. 僅測正常範例
B. 測試不常見輸入、極端或錯誤格式、挑戰工具邏輯邊界
C. 不需異常
D. 只找簡單樣本

Answer: B
Explanation: 以異常與邊緣案例測試能發現工具的缺陷與穩定度，確保真實環境不爆雷。

163. 哪種資料通常最需保護，避免直接送入公有生成式 AI 模型？

A. 公開新聞
B. 公司客戶名單、敏感交易記錄
C. 自己創作的詩
D. 產品廣告語

Answer: B
Explanation: 客戶名單等涉及個資與隱私，絕不可隨意丟入公有模型 API，否則違反隱私或法規。

164. 「視覺化工作流程」對於生成式 AI 專案管理的幫助是？

A. 令程序更複雜
B. 能清楚呈現每個環節，包含數據輸入、模型呼叫、結果後處理、輸出等邏輯
C. 不影響
D. 全部CLI

Answer: B
Explanation: 視覺化流程讓團隊快速理解專案邏輯、查找問題區段，並易於維護更新。

165. 在規劃生成式 AI 「需求階段」，哪個問題要先回答？

A. 用什麼語言
B. 我們要解決何種業務痛點？生成結果誰會用？成效如何衡量？
C. GPU 架構
D. 只看範例

Answer: B
Explanation: 確認業務痛點、使用者群與評估指標是需求階段的核心問題。

166. 若想透過 No Code 平台快速生成並上傳圖片至電商平台，下列哪項功能至關重要？

A. CNN
B. 圖像生成 API 串接 + 電商平台 API 上架功能
C. GPT
D. XGBoost

Answer: B
Explanation: 需要串接圖像生成和電商上架介面，才能自動生成商品圖並發布。

167. 在試用階段若發現生成式 AI 工具對繁體中文支持度不佳，可能解法為？

A. 放棄中文
B. 改用另一工具或提示繁中語料，或在 Prompt 中多提供繁中範例
C. 無法解決
D. 只留英文

Answer: B
Explanation: 一種是換支援較好的工具，另一種是透過更多繁中範例或微調，提升支持度。

168. 哪個因素會影響「生成式 AI 圖片風格」在 Low Code 流程中的可調整度？

A. GPU 指令
B. Prompt 中的風格描述與平台允許的參數設置（亮度、風格參數等）
C. 文字無關
D. 全靠運氣

Answer: B
Explanation: 圖像風格多由 Prompt 指令或模型參數控制，如 “oil painting style”，平台也需支援這些參數。

169. 下列何者不是「生成式 AI 工具」導入常見的商業應用場景？

A. 創意文案、商品描述、客服對話
B. 影像素材設計（品牌插畫、廣告圖）
C. 合約法律條款最終裁決
D. 語音客服

Answer: C
Explanation: 合約條款通常需專業律師介入，AI 僅可輔助草稿，不會直接成為「最終裁決」。

170. 「多維度測試」對應生成式 AI 包含什麼？

A. 只測速度
B. 功能性（風格/格式/用例），可靠度（錯誤率、語意脫軌），資安與隱私檢查
C. 皆不需要
D. Prompt 長度

Answer: B
Explanation: 多維度測試涵蓋功能、品質、資安、隱私等，是生成式 AI 項目必做。

171. 在企業內有多款 No Code / Low Code 平台可供選擇，下列何者不是主要比較要點？

A. 平台社交媒體粉絲數
B. 支援的 AI 模型範圍、使用門檻、擴充彈性、費用與合規能力
C. 用戶權限與安全管理
D. 技術支持服務

Answer: A
Explanation: 平台的粉絲數量與實際功能無直接關係，另三項才是挑選時的關鍵要點。

172. 在「規劃生成式 AI 導入」過程中，若估計後需大量 GPU 計算，但項目規模不穩定，建議？

A. 先投資大量 GPU 主機
B. 選擇雲端可彈性伸縮，先從小規模開始
C. 不做預估
D. 全都交外包

Answer: B
Explanation: 雲端可隨業務量擴充或收縮，若需求不穩定，先小規模試行，視情況擴容較有彈性。

173. 對「No Code / Low Code + 生成式 AI」工具的擴充性，下列哪種場景最常見？

A. 單一功能不可擴充
B. 需要自定 Prompt 流程、設定條件分支、串接企業內部服務
C. 只做遊戲
D. 只看螢幕大小

Answer: B
Explanation: 不同企業邏輯多樣，故需彈性修改 Prompt、條件分支，以及對內外系統串接，考驗平台擴充度。

174. 在試用測試時，發現生成的文案中頻繁重複相同關鍵詞，如何改善？

A. 無法
B. 在 Prompt 中要求避免重複字詞、或使用溫度/多樣性參數提高隨機度
C. 增加 GPU
D. Random Forest

Answer: B
Explanation: 文案重複可調 Prompt 或設計生成參數，如溫度、Top-p，使輸出更豐富多樣。

175. 哪種場合不適合使用「No Code」方式導入生成式 AI？

A. 超大型複雜流程、需要深度控制底層參數
B. 部門級短期活動
C. 小規模教學演示
D. 客戶 FAQ Chatbot

Answer: A
Explanation: 若業務需求非常複雜或需低階控制，No Code 平台較難應付；其餘多情形適合快速原型。

176. 在制定「生成式 AI」企業政策時，下列哪一項屬於必備考量？

A. 使用者盲目輸入
B. 規定敏感資料不得輸入外部模型、對輸出內容設審查機制，並留存操作記錄
C. 全部封鎖
D. 不需要文件

Answer: B
Explanation: 企業政策多會規範敏感資料處理，設定審核機制與操作留痕，符合合規與安全。

177. 「多步驟對話」在生成式 AI 需求中意指什麼？

A. 一次給定 Prompt
B. 使用者多次輸入，AI 保持上下文，逐步生成結果
C. 無監督分群
D. 單步驟

Answer: B
Explanation: 多步驟對話指 AI 需記住先前內容，讓對話更連貫，如 ChatGPT 等互動式模式。

178. 在 No Code 平台中使用圖形化流程，每個步驟可設條件，如「若輸出文字包含關鍵詞→再執行某動作」。這對生成式 AI 有何意義？

A. 無幫助
B. 可以自動判斷輸出是否合規或符合預期，若不符可再呼叫模型或人工審核
C. 減少硬體
D. 全自動產生 GPU

Answer: B
Explanation: 透過條件判斷能部分自動化審核與流轉，若輸出不符要求可再做修正或轉人工流程。

179. 下列何種指標最適合衡量「生成式 AI 圖像」的品質（如逼真度）？

A. BLEU
B. FID（Fréchet Inception Distance）
C. MSE
D. Bag of Words

Answer: B
Explanation: FID 常用於衡量生成圖像與真實圖像分佈的距離，越低表示品質越好。

180. 為何 Low Code + 生成式 AI 有助小微企業快速投入市場？

A. 減少高深編程需求，能用拖拉方式迅速做出 MVP，測試市場反應
B. 需雇大量工程師
C. 一定無用
D. 僅限國營企業

Answer: A
Explanation: 小微企業可節省開發成本與時間，快速打造試用產品並 iterates；若有市場接受，再進一步擴張。

181. 在導入規劃中，「資源分配」若分析顯示 API 付費過高，可能替代方案為？

A. 停止
B. 部署自家模型（需 GPU）或採更具性價比的替代服務
C. 外包
D. 不考慮

Answer: B
Explanation: 若公有 API 成本高，可自建或尋找其他方案，看哪種模式 ROI 較優。

182. 生成式 AI 工具若需要大量語料，No Code 平台能否提供便利？

A. 只能手動匯入
B. 部分平台支援批次匯入與簡易清洗流程，但資料量太大仍要注意效能
C. 絕對無法匯
D. 全由數學模型

Answer: B
Explanation: 一些平台允許批量導入資料並做基礎清洗，但如果非常龐大還是要考慮性能與外部工具。

183. 「後端 API 頻率限制」對 Low Code/No Code + 生成式 AI 有何影響？

A. 不影響
B. 若使用量高且平台 API 頻控不夠，會出現超額呼叫失敗或長等待
C. 只有測試階段會碰到
D. Prompt 長度

Answer: B
Explanation: API 有頻率限制會影響大量並發呼叫，可能導致失敗或排隊延遲。

184. 哪種測試能看出生成式 AI 工具在用戶體驗上的缺點？

A. 單純指令行測試
B. 用戶可用性測試（看操作流暢度、結果理解度、錯誤處理）
C. 全部以程式碼
D. 隨機

Answer: B
Explanation: 用戶可用性測試觀察實際人員操作反饋，可發現操作、介面等方面的問題。

185. 當企業希望 AI 產生的文字「尊重公司詞典與風格」，下列敘述何者正確？

A. 模型自動能識別
B. 需透過 Prompt 添加風格指引或詞典限制，或微調在該詞典語料上
C. 只要標題好看
D. 不可實現

Answer: B
Explanation: 可在 Prompt 內包含公司專業詞彙、風格描述，或做微調讓模型習慣該詞典語料。

186. 哪一種功能能讓非技術用戶迅速「比較前後版本」的生成式 AI 流程改動？

A. Git CLI
B. Low Code 平台內建版本歷史比對，或視覺化對比流程變化
C. 只能靠記憶
D. CSV 匯出

Answer: B
Explanation: 部分 Low Code 工具有視覺化版本管理功能，可對比流程修改，方便非技術用戶理解。

187. 在「初步規劃生成式 AI 導入」的資源預估上，若是行銷文案產量不大，何種方案更適合？

A. 大量 GPU 自建
B. 按量計費的雲端 API
C. 本地全自動
D. 無需工具

Answer: B
Explanation: 產量小時，用按量付費的雲端模型即可彈性支付，不需要昂貴自建硬體。

188. 哪個指標可評估「文字生成式 AI」對於使用者需求的滿足度（如客服問答）？

A. BLEU / ROUGE / 人工評分
B. MSE
C. CPU 占用率
D. MAE

Answer: A
Explanation: 在文本生成中常用 BLEU、ROUGE 或人工主觀評分；也可視應用增加其他指標。

189. 若生成式 AI 報價較高，企業仍願投資，可能原因為？

A. 流行跟風
B. 預期可節省大量人力成本或創造更多商業價值，ROI 仍合算
C. 無法理解
D. 一定虧損

Answer: B
Explanation: 若帶來明顯收益（如節省人力或提高轉化率）則投資高費用也值。

190. 「試用測試」時忽略特定瀏覽器或行動裝置，可能造成什麼？

A. 提高效率
B. 正式上線後發現某些用戶無法使用或介面錯亂
C. 沒有影響
D. 更易擴大

Answer: B
Explanation: 測試若不完整，導致正式上線後特定裝置/瀏覽器不兼容，影響客戶體驗。

191. 當一個生成式 AI 圖像工具自動添加版權水印，下列說法何者最合理？

A. 代表該工具保留著作權標記，使用者需了解背後授權條款
B. 無需理會
C. 表示圖像必定可以商用
D. 與法務無關

Answer: A
Explanation: 版權水印指示該圖像可能受工具版權規範，使用前須注意條款規定是否可商業使用。

192. 在 No Code / Low Code 流程中，若需要強化生成式 AI 的回應一致性，下列何種作法常用？

A. 只依賴運氣
B. 在流程中持續給定相同前置上下文 Prompt 或儲存對話狀態，以保證一致度
C. 轉用 CNN
D. 不可實現

Answer: B
Explanation: 儲存對話狀態（或統一 Prompt 前綴）能維持同一風格與上下文，確保輸出連貫。

193. 若生成式 AI 文本出現大量拼寫錯誤，可能原因為？

A. Prompt 未指定正確語言或拼寫
B. CPU 效能不夠
C. GPT 版本過低
D. 介面顏色

Answer: A
Explanation: Prompt 要指定語言或檢查是否使用對應語言模型，否則可能產生拼寫錯誤或混雜。

194. 在多部門使用同一 Low Code 平台做生成式 AI，若各部門對資料權限要求不同，怎麼管理？

A. 不能管理
B. 利用平台的權限模組，設定不同部門存取權限、配合角色控管資料與流程
C. 全部開放
D. 只鎖前端

Answer: B
Explanation: 權限模組可分配不同角色的資料與功能存取範圍，確保跨部門安全且合規。

195. 在「生成式 AI」試用階段使用 dummy 測試資料，與正式導入時直接用真實敏感資料有何落差？

A. 相同
B. 上線後資料更複雜與隱私風險更大，若不提早合規與安全檢查，可能誤用而造成洩漏
C. 更安全
D. 不需考慮

Answer: B
Explanation: 真實資料安全與合規風險比 dummy 大，需要正式部署前做好相應保護措施。

196. 哪個場景容易運用「高級 Prompt 工程」？

A. 要產出各種行銷文案風格（幽默、正式、輕鬆等），對 Prompt 要有細微調整
B. 僅回傳 CSV
C. 全自動監測
D. K-Means

Answer: A
Explanation: 不同風格對 Prompt 要有不同描述/示例，高級 Prompt 工程可細化語調與詞彙。

197. 當使用 Low Code 流程來進行「生成式 AI 原型」，後期若決定深度客製，常見做法是？

A. 保持一樣
B. 把原型遷移到全程程式開發或結合外部自定義模組
C. 不得修改
D. 直接丟棄

Answer: B
Explanation: 原型若成功，後期可能要深入開發或與外部服務整合，需適度轉換至程式化環境或再擴充模組。

198. 企業若想要複數部門共用一個生成式 AI 服務，但擔心部門間資料外洩，下列做法較妥？

A. 無解
B. 設置部門隔離機制（不同工作區、權限），並明確不可互相訪問彼此輸入或輸出紀錄
C. 一律公開
D. 放棄

Answer: B
Explanation: 為保資料安全，需要部門隔離與權限控管，避免部門機密互洩。

199. 在「試用測試」環節，若發現生成式 AI 工具對罕見的專業領域（如醫療術語）效果差，可能怎麼解決？

A. 放棄該領域
B. 設計專用 Prompt、提供領域語料微調，或另尋更專業模型
C. 全手動
D. 只改介面

Answer: B
Explanation: 可針對領域需求加強 Prompt 或微調模型，如需更專業可換具備醫療知識的模型。

200. 最後上線前，通常必須再進行「試營運（Pilot）」，其目的為何？

A. 只是形式
B. 在小範圍或特定用戶群先實際使用，收集真實問題與調整，再擴大正式上線
C. 全部公開
D. 不需試營運

Answer: B
Explanation: 試營運能真實檢驗系統在實際環境下運行狀況，讓團隊有機會修復或調整再正式上線。

第 3 部分（題號 201～300）

201. 在企業進行「生成式 AI」導入時，若強調使用者能自定義介面與交互流程，則適合哪種工具？

A. 純程式開發
B. Low Code 平台，讓使用者以圖形化配置自己想要的前端與流程
C. 無監督聚類
D. Random Forest

Answer: B
Explanation: Low Code 能讓使用者自行拖拉組件、設置介面及工作流程，不用從零寫程式。

202. 「生成式 AI」若要納入企業「數位轉型」的一部分，下列哪個做法最合適？

A. 只觀望市場
B. 列入數位化策略與業務目標結合，做需求與效益評估，並以小規模試點開始
C. 跳過管理層審批
D. 僅做概念展示

Answer: B
Explanation: 數位轉型需整合企業策略、業務痛點等，宜先小規模試點檢驗可行性，再擴大。

203. 若行銷人員想要用 Low Code 平台串接圖像生成 API，並把生成的素材自動排版成 PDF，需注意什麼？

A. 只需圖片
B. 平台是否支援 PDF 排版、存儲與檔案匯出，以及能與圖像 API 串接
C. 必須 Python
D. GPU 不足

Answer: B
Explanation: 要把生成圖像整合成 PDF，需要平台有 PDF 模組或 API 介面，以及可視化流程連結圖像生成 API。

204. 在「試用測試」階段，若發現 AI 工具對中文常出現亂碼，可能是何種原因？

A. 平台預設只支援英文或語言包未安裝
B. CPU 不足
C. Prompt 太短
D. 資料庫壞了

Answer: A
Explanation: 部分工具主要針對英文，若平台缺乏中文編碼或字型支持，可能出現亂碼。

205. 要在 No Code 平台裡對生成式 AI 輸出的結果做「多層判斷」（如先檢查關鍵字→若不合格則重新生成），最典型的設計是？

A. 無法設計
B. 以流程圖方式設置判斷節點，若符合條件則通過，否則循環再呼叫生成
C. 需手寫程式
D. 只用 GPU

Answer: B
Explanation: 大部分低程式平台可在流程中放置條件分支，如果判定不合格就走回生成步驟，實現多層判斷邏輯。

206. 為何在規劃「生成式 AI 應用」時，需要同時考慮使用者操作界面（UX）？

A. 使用者介面無關緊要
B. 生成式 AI 結果若缺乏易用介面或呈現方式不佳，用戶難理解並有效利用
C. 僅能 CLI
D. AI 自動產出不需要介面

Answer: B
Explanation: 生成結果如何呈現、如何讓使用者操作與反饋都很重要，UX 是成敗關鍵之一。

207. 若想讓使用者在 Slack 上呼叫生成式 AI 文案並返回結果，哪種做法最可能？

A. 無法
B. 將 Slack Bot 與 Low Code 平台整合，Bot 接收指令→平台呼叫 AI→回傳 Slack
C. 使用 HPC
D. 手動複製結果貼回 Slack

Answer: B
Explanation: 可以做 Slack Bot 串接 Low Code 平台與 AI API，讓使用者在 Slack 輸入指令，就能獲得文案回覆。

208. 「需求確認」時，若客戶僅表示「想用 AI 來省人力」，但無明確業務案例，怎麼辦？

A. 先導入再說
B. 協助進一步訪談與分析，明確列出可省力的流程或產生價值的應用案例
C. 放棄專案
D. 全部人力離職

Answer: B
Explanation: 須透過溝通挖掘具體場景與需求，否則無法客觀評估成效或方案落地性。

209. 在導入前若發現競爭對手已有相似的生成式 AI 解決方案，該如何面對？

A. 直接複製對手
B. 分析對手優勢與市場需求，找出差異化或做精細化落地，並以試用測試評估自身方案可行性
C. 立刻放棄
D. 僅做理論研究

Answer: B
Explanation: 若對手已有類似產品，可從競品分析中找出獨特價值或市場空間，再做適當導入。

210. No Code 平台若想支持「多輪對話 AI」，必須？

A. 只執行一次
B. 保存對話上下文狀態，可將前面對話輸出帶進後續 Prompt
C. 模型自動記憶
D. 不可支持

Answer: B
Explanation: 多輪對話需保留上下文，以讓 AI 知道之前談了什麼、做了哪些回覆。

211. 哪種「生成式 AI」最能協助設計影片標題與標籤？

A. 影像生成
B. 文字生成 (GPT/ChatGPT)，可根據影片內容描述來生成標題與標籤
C. 強化學習自動駕駛
D. 分群

Answer: B
Explanation: 影片標題與標籤為文字創作領域，故可使用文本生成式 AI。

212. 若工具僅支援「英語生成」，但企業在意中文輸出品質，下列策略哪個更有效？

A. 只發英文
B. 綁定翻譯 API 在流程中自動翻譯，或切換支援中文的模型
C. 強制使用中文
D. 無解

Answer: B
Explanation: 若工具只支援英文，可在後處理加翻譯步驟，或換支援中文的生成模型。

213. 「合規管理」在生成式 AI 中可包含下列哪個做法？

A. 無需管理
B. 設置審核節點，若 AI 產出含敏感詞或違法成分，需轉人工批准或過濾
C. 僅用 GPU
D. Debug

Answer: B
Explanation: 合規管理需在流程中加審核或過濾，避免觸及敏感詞或違法內容。

214. 為何有些企業寧願投入成本在私有化部署生成式 AI？

A. 喜好
B. 為保護機密數據、不想外流或依賴公有 API，同時可更自由地客製
C. GPU 便宜
D. 模型品質更差

Answer: B
Explanation: 私有化雖成本高，但可保數據安全與客製性，更適合處理敏感或關鍵業務。

215. 在 No Code 介面裡若想先預覽生成結果再決定是否提交最終產出，通常採用什麼功能？

A. 一次性流程
B. 「人工審核」節點，在流程中插入人工確認或編輯的步驟
C. 直接生成
D. 不可編輯

Answer: B
Explanation: 設計人工審核節點，能讓用戶先查看輸出，再按「確認/退回」等分支操作。

216. 生成式 AI 與 RPA（機器流程自動化）結合時，可達成？

A. 無用
B. 高度自動化，如讀取郵件內容→生成回覆→自動發送
C. 僅能顯示圖表
D. K-Means

Answer: B
Explanation: RPA 以規則自動執行操作，若結合生成式 AI，就能自動生成回覆、文案等，提升流程智慧化。

217. 在 Low Code 平台上做「生成式 AI 圖像 + 行銷文案」整合時，下列哪一種常見？

A. 先產圖片再手動寫文案
B. 設計流程：輸入關鍵字→生成文字→同關鍵字生成圖像→合並排版→輸出
C. 僅做回歸
D. 全部 CLI

Answer: B
Explanation: 平台流程可同時串接文字生成、圖像生成，最後排版輸出，一氣呵成。

218. 若企業想每小時定時產生新聞摘要並發送到內網，使用生成式 AI 需注意什麼？

A. 模型線上性
B. 時程與自動化：平台有無排程功能、新聞來源 API、生成精度、合規審核
C. 全部手動
D. 不需要注意

Answer: B
Explanation: 需整合排程抓取新聞，經 AI 摘要後再自動分發，同時注意內容品質與合規。

219. 「隱私安全」在 No Code 配合生成式 AI 特別要注意何處？

A. 平台可能自動紀錄用戶輸入，若含敏感資訊得避免或做加密處理
B. Prompt 不重要
C. 全部公開
D. 不需保護

Answer: A
Explanation: No Code 平台有時會記錄流程參數或 Prompt，需要做好敏感資訊的保護措施。

220. 當導入計畫需要 3~6 個月才能完成時，「試用測試」的週期應如何安排？

A. 不試用
B. 以每 1~2 週或更短的迭代，定期檢討輸出品質與用戶回饋
C. 一次性結束
D. 待上線後再看

Answer: B
Explanation: 建議敏捷迭代，短期週期反覆測試與調整，比一次大規模驗收更能及時發現問題。

221. 哪種「文本生成式 AI」功能可協助法律部門草擬基礎合約？

A. 圖像生成
B. GPT/ChatGPT 等文字模型，根據模板化需求產生初稿
C. XGBoost
D. 無法

Answer: B
Explanation: 文字生成模型能根據提示產生合約初稿，但需法務最後審查。

222. 在 No Code 平台設計完生成式 AI 流程後，如何安排對外使用？

A. 要建置前端介面或 API 網關，由用戶端或同系統調用該流程
B. 只能內部使用
C. 全部無需介面
D. CLI

Answer: A
Explanation: 平台常能產生一個前端或 API 接口，外部系統或用戶藉此呼叫該 AI 流程。

223. 如果企業要實現「AI 人力部分取代初階文案編撰工作」，下列哪個配套不應忽略？

A. 完全不管合規
B. 員工轉型或教育訓練，轉向更高價值工作，否則會產生員工阻力
C. 全部裁員
D. 無需溝通

Answer: B
Explanation: AI 取代初階文案後，企業通常需員工分流或技能升級，否則易引發內部問題。

224. 在「生成式 AI 工具」中，如果要評估成本，下列哪個角度最重要？

A. 絕對 GPU 數量
B. API 或平台使用計費模式（每次呼叫費、每 token 費），以及可能的資料存取開銷
C. 只看介面美觀
D. 都免費

Answer: B
Explanation: 常見計費模式依 token、呼叫次數或月租等，需仔細預估使用量、比較費率。

225. 哪種文件最適合用「自動摘要」生成式 AI 做初步歸納？

A. 混亂未結構文檔
B. 具可辨識段落、句子結構的文章、報告或新聞稿
C. 全是圖片
D. 無文字

Answer: B
Explanation: 自动摘要需要有清晰句子結構，才能提取重點；純圖片或混亂文本難以處理。

226. 在 Low Code 流程中，若想多次呼叫 AI 生成不同段落，最簡便的設計？

A. 只呼叫一次
B. 循環模組或多節點連續呼叫 AI，將結果串接成完整文本
C. 全手寫
D. 不可分割

Answer: B
Explanation: 平台通常支援「迴圈」或「多次呼叫節點」，將各段落生成拼接。

227. 「人力需求」在生成式 AI 規劃中，主要考量哪些？

A. 不需要人力
B. 是否需專人設計 Prompt、審核內容、維運平台，或可由既有團隊兼職
C. 無關
D. 全部自動

Answer: B
Explanation: 仍需人員負責 Prompt 工程、合規審核、維運等，並確定是組建新團隊或既有團隊兼任。

228. 哪一類需求最常透過「圖像生成式 AI」加上 Low Code 平台達成？

A. 物聯網資料流
B. 快速批量創建商品主圖或宣傳海報，並自動發布
C. ERP 核心流程
D. 大數據分群

Answer: B
Explanation: 圖像生成+低程式流程，能實現批量海報、商品主圖自動化作業，常見於行銷應用。

229. 無程式背景的使用者若想在平台上修改部分 AI 輸出邏輯，最可能怎麼做？

A. 編寫 GPU 程式
B. 在可視化流程或配置面板調整 Prompt、參數或規則，而非必須手寫程式
C. 無法修改
D. 所有人都得學 Python

Answer: B
Explanation: Low Code 平台允許在配置面板進行邏輯調整，不用深入編程即可改變 AI 輸出規則。

230. 「維運」對生成式 AI 意味著什麼？

A. 上線後自動執行
B. 持續監測呼叫量、費用、模型版本更新、輸出品質及合規狀況，並做必要調整
C. 交給外包
D. 只部署一日

Answer: B
Explanation: 維運包含監控資源使用、費用、品質以及更新模型版本或合規策略，確保長期正常運行。

231. 在「試用階段」統計某工具的生成失敗率，可幫助？

A. 不需統計
B. 評估該工具於生產環境的可靠度，若失敗率高需優化或另擇替代方案
C. 只關注成功率
D. 只看介面

Answer: B
Explanation: 若失敗率高，代表工具不穩定，不宜直接進入生產應用；需要優化或換方案。

232. 若使用 No Code/Low Code 平台在特定步驟加入「人工審核」，通常是為了？

A. 增加流程負擔
B. 確保關鍵或高風險輸出由人員最終確認，避免錯誤或違規
C. Prompt 工程
D. 只是樣板

Answer: B
Explanation: 對高風險輸出（合規、涉敏資訊），設人工審核很常見，可確保品質與責任歸屬。

233. 在導入生成式 AI 前，如果公司想一次性改變全部創作流程，什麼風險最高？

A. 項目失敗風險大，因改動過大、且對工具與需求不了解
B. 一定大幅成功
C. 不會有問題
D. Prompt 太複雜

Answer: A
Explanation: 一次大改容錯率低，若對新工具認知不足，容易導致混亂或抵觸；應循序漸進。

234. 哪個案例最能體現「生成式 AI 導入的成功」？

A. 無人使用
B. 成本增加，但產出成果沒用
C. 員工普遍接受，流程效率提升、質量提高，帶來顯著 ROI
D. 模型泛濫

Answer: C
Explanation: 成功標誌是員工真正用起來、工作效率及成果品質提升，產生正向 ROI。

235. 在規劃「企業知識庫 + 生成式 AI」時，若要使用 No Code 方法，需注意什麼？

A. 不會成功
B. 知識庫整合：需有可搜尋或索引的方式，AI 調用時可透過檢索再生成
C. 全自動
D. 只做 Prompt

Answer: B
Explanation: 需在平臺建立資料檢索邏輯或 RAG (Retrieval-Augmented Generation) 流程，AI 能先檢索相關資訊再生成答案。

236. 「Prompt 模組化」在 Low Code 具體如何實現？

A. 沒有此概念
B. 預先定義多種 Prompt 片段（標準語風），依需求組合呼叫 AI
C. 只能寫死
D. 只用 CSV

Answer: B
Explanation: 模組化 Prompt 將常用語/風格打包成模板，需要時組合，可靈活重用。

237. 若平台聲稱支援「AI 協同編輯文檔」，表示可能具備哪種功能？

A. 多人線上同時書寫 + 生成式 AI 協作完善文本
B. 無法上傳
C. 僅做部署
D. 要 C++

Answer: A
Explanation: 「協同編輯」指多人共同操作文檔，生成式 AI 則可提供段落建議或自動潤稿。

238. 在「設計與測試」階段，企業通常會進行「AB 測試」以比較？

A. 不需測
B. 兩種或多種流程/Prompt/模型設定，看哪個效果好
C. 互不比較
D. 幻覺問題

Answer: B
Explanation: AB 測試可同時收集使用者反饋或性能數據，找出最佳解。

239. 當規劃「圖像生成」應用於品牌行銷時，對輸出風格的一致性需求可以怎麼解？

A. AI 自己決定
B. 在 Prompt 或微調模型上注入品牌風格要素，或透過後處理修飾
C. 不考慮
D. 每次隨機生成

Answer: B
Explanation: 要穩定的風格，一般會固定 Prompt 要素或對模型進行微調，使結果盡量一致。

240. 哪一種資料較容易被「生成式 AI」不當使用而引起侵權風險？

A. 公司公開的行銷稿
B. 付費取得的第三方素材（文字或圖像）
C. 無版權作品
D. 宣傳海報

Answer: B
Explanation: 第三方素材若有特定版權限制，擅自讓模型二次創作或公開可能違反合約。

241. 若行銷團隊在 Low Code 平台中要求增加「自動修飾 AI 輸出語氣」步驟，下列做法可行嗎？

A. 無法
B. 在生成後增加第二次模型呼叫，對文本再潤色，或使用規則檢查語氣
C. 僅能手工
D. KNN

Answer: B
Explanation: 可以分兩階段：先粗生成，再呼叫「潤色」Prompt 或規則檢查來修飾語氣。

242. 當企業使用某公有生成式 AI 時，若長期不監測用量與費用，可能結果是？

A. 無影響
B. 出現爆量呼叫導致意外高額帳單
C. CPU 過載
D. Prompt 錯誤

Answer: B
Explanation: 雲端 API 按量計費，呼叫量不控管可能導致費用飆升。

243. 在導入流程中，為了向管理層展示成果，下列哪個方式最有效？

A. 只文字解說
B. 製作可操作的 Demo 或 Mockup，讓管理層實際體驗生成式 AI 輸出成效
C. 純理論 PPT
D. 無需 Demo

Answer: B
Explanation: 讓管理層親身體驗 Demo，能比單純理論更具說服力與理解度。

244. 哪種情況下「生成式 AI」容易出現不當或侮辱性內容？

A. 無法出現
B. Prompt 含歧視語或缺乏過濾機制時
C. GPU 不足
D. CSV 格式錯誤

Answer: B
Explanation: 如果 Prompt 有歧視語，或沒有適當過濾規則，AI 可能產生侮辱性文本。

245. No Code 平台若要展示生成式 AI「範本範例」，對初學者意義為何？

A. 模板幫助快速理解操作方法與常用流程，加速上手
B. 無幫助
C. 全部複製
D. 只看指令行

Answer: A
Explanation: 範本能使初學者更快瞭解如何配置流程、設定 Prompt，降低學習門檻。

246. 在試用階段若顯示「分詞錯誤、文法怪異」，意味著什麼？

A. 工具對該語言支援度不足，或 Prompt 未指定正確語言/格式
B. 一定 GPU 不足
C. 高度客製
D. 全部無效

Answer: A
Explanation: 語言支援度有限或 Prompt 用語不當，都可能導致分詞或文法出錯。

247. 當企業想讓行銷稿件顯示在各業務系統中，需考慮什麼？

A. 不需考慮
B. 生成後自動分發至不同介面系統、並確保格式兼容與權限安全
C. 只用 CLI
D. Prompt 需要

Answer: B
Explanation: 多系統整合時，要能自動對接這些系統 API 且確保正確分發、存取權限。

248. 哪個指標最能反映使用者對生成式 AI 回應的「主觀滿意度」？

A. BLEU
B. 人工評分或用戶滿意度問卷
C. GPU 溫度
D. ROC AUC

Answer: B
Explanation: 生成式 AI 成果常需主觀評價，可用人員打分或問卷收集滿意度。

249. 如果企業對外部資訊依賴度高，生成式 AI 如何獲得最新資料？

A. 不可獲得
B. 平台可串接資訊源，如新聞 API、官方數據等，先檢索再由 AI 統整
C. 提前放棄
D. 只有人工

Answer: B
Explanation: AI 可經過檢索階段提取外部最新資料，再生成結論或總結，確保內容新穎。

250. 對於有程式背景的開發者，Low Code 平台仍具價值嗎？

A. 絕對無用
B. 是，可加快一些原型或表單建構，同時能插入程式碼做更複雜邏輯
C. 僅限無程式者
D. 全寫 Python 比較好

Answer: B
Explanation: 有程式能力的開發者也能利用 Low Code 快速搭建，再嵌入自定代碼做進階需求，節省時間。

251. 企業若計畫做「多語言客服機器人」，必須在試用時多語測試，下列哪個重點必不可少？

A. 無需
B. 收集不同語言樣本問題，逐一測 AI 回覆是否正確與符合文化用語
C. 一律只用英文
D. 不需測非英文

Answer: B
Explanation: 多語客服得用不同語言的測試樣本，以確保各語言回答都正確、自然。

252. 在 No Code 環境中，若想建立「條件式文案生成」，指的是什麼？

A. 文案一律相同
B. 若客戶類型 A→生成高階文案，若 B→生成簡短文案等，多分支流程
C. 不可支援
D. 需要 CNN

Answer: B
Explanation: 以流程中設定條件，針對不同狀況呼叫不同 Prompt 或參數，生成差異化文案。

253. 「一鍵部署」在 Low Code + 生成式 AI 方案中指的是？

A. 全部自動化
B. 平台提供快速上線功能，一旦流程配置完成，可一鍵產生可用的 Web / API / Bot
C. Only GPU
D. Prompt 識別

Answer: B
Explanation: 一鍵部署可減少繁瑣部署步驟，迅速產生使用者可接觸的應用或介面。

254. 若企業想整合產生的文案至社群媒體發佈流程，下列哪個做法最直觀？

A. 人工貼文
B. 平台串接社群 API，呼叫生成文案後自動排程、上傳並監控成效
C. 只批次匯出 TXT
D. CLI

Answer: B
Explanation: Low Code 平台可加社群 API 模組，實現文案生成後自動發布，省去人工貼文。

255. 「試用測試」若發現操作複雜、員工不想用，代表哪方面需調整？

A. Prompt 工程
B. 人員 UI/UX 教育或工具介面需改進；若使用門檻高就無法推廣
C. 一定是社員懶惰
D. 全改 Python

Answer: B
Explanation: 介面或教學若不佳，員工學習門檻高，需優化 UX 或加強培訓，否則難推行。

256. 在生成式 AI 圖片應用中，若資料庫想自動分類與標籤，能否在 Low Code 流程實現？

A. 不可
B. 是，可將生成圖片後再自動調用圖像分析標籤 API，寫入資料庫
C. 只靠 GPT
D. 需手動

Answer: B
Explanation: 圖像生成後可透過另外的圖像辨識 API 幫忙自動分群或標籤，再入庫。

257. 哪個因素會決定我們在 No Code 工具中設定的「回應長度」？

A. 模型參數
B. 使用者需求：若要簡短提示或長篇說明，需在 Prompt/參數設定回應字數或段落數
C. GPU 速度
D. 幻覺率

Answer: B
Explanation: 回應長度通常由業務場景或使用者需求決定，如簡訊式短文或詳細報告等。

258. 當企業規劃生成式 AI 做「新聞事件總結」，應考量哪些風險？

A. 全自動
B. 內容是否正確，若有錯誤恐誤導公眾；資料來源合法與版權爭議
C. CPU 利用
D. GPU 區分

Answer: B
Explanation: 要確保新聞事件資訊來源真實、合法。AI 摘要若出錯或侵權會有 reputational / legal 風險。

259. 在 Low Code 平台中，若不具備「狀態儲存」能力，對多輪對話生成式 AI 有何影響？

A. 沒影響
B. 模型無法記住上一輪對話，造成斷層
C. GPU 爆滿
D. Faster

Answer: B
Explanation: 多輪對話需保存上下文，否則每次都從零開始，導致對話內容斷層。

260. 下列哪一項屬於「企業級」Low Code 平台在生成式 AI 應用時較常見的特性？

A. 僅試用版
B. 權限控管、版本管理、整合外部認證、可審計日誌
C. 全部開源
D. 模型執行於 CLI

Answer: B
Explanation: 企業級平台強調安全、管理與可審計；專業功能比個人版更齊備。

261. 哪種測試能確定 AI 對高並發用戶的處理能力？

A. 單人內測
B. 壓力測試/負載測試，在相同時間大量請求 AI 流程，觀察響應與錯誤率
C. BERT
D. 只看 UI

Answer: B
Explanation: 壓力或負載測試可模擬大並發量，檢測系統性能與穩定度。

262. 在規劃資源時，若要確保工具可以隨使用量彈性擴容，需選擇什麼？

A. Serverless 或雲端彈性部署
B. 固定安裝在本地
C. CLI
D. 無擴展性

Answer: A
Explanation: Serverless/雲端具彈性伸縮，能應對不穩定需求而不造成過度或不足投資。

263. 企業若想要 AI 產出文案能「附上參考來源連結」，該如何實現？

A. AI 自動產生
B. Prompt 要求模型列出參考，並在流程中對來源做檢核或建立檢索+生成架構
C. 只用 CPU
D. GPT 不行

Answer: B
Explanation: 要 AI 提供參考來源可在 Prompt 中指示，也可做 Retrieval-Augmented Generation（檢索後附連結）並檢核。

264. 哪種管理機制可降低「敏感資料意外輸入 AI」的風險？

A. 不用
B. 在 No Code 流程加「敏感檢查」：若輸入含身份或隱私內容則警告或阻擋
C. 全部放行
D. KNN

Answer: B
Explanation: 設置敏感檢查模塊能攔截員工輸入敏感資訊，避免洩露到模型 API。

265. 在行銷應用中，要預防大量廣告文案生成的「重複度」過高，該怎麼做？

A. 只用固定 Prompt
B. 在 Prompt 要求多樣性，並調整溫度、Top-p 等參數，或對結果做重複檢查
C. 不在意
D. 只能手動編寫

Answer: B
Explanation: 提高模型隨機性或 post-process 檢查重複，是常見防止文案雷同的方法。

266. 針對「No Code + 生成式 AI」專案中，若想讓 IT 部門維持底層掌控，但又允許業務端快速配置，何種做法最可能？

A. IT 完全放手
B. IT 部門管理平台基礎設置與安全，業務端在前端介面做流程配置
C. 只有業務端使用
D. 全部由工程師開發

Answer: B
Explanation: 由 IT 部門負責平台與安全，業務部門負責具體流程設定，是常見的協作方式。

267. 如果導入成果顯示部分部門無法接受 AI 產出的內容，代表？

A. 過度擬合
B. 需溝通、教育或微調產出風格，若差距太大也可能階段性暫不落地
C. GPT 版本太低
D. 不需管

Answer: B
Explanation: 員工不認可 AI 內容常需溝通與調整 Prompt、風格，或對員工培訓，使其理解並參與優化。

268. 在流程中，若要多次呼叫相同生成式 AI 模組，但帶入的參數略有不同，怎麼實現？

A. 不可
B. 在 Low Code 流程新增多個呼叫節點或迴圈，動態改參數
C. Prompt 無法改
D. 全部同樣

Answer: B
Explanation: 透過多個節點或循環，能改變參數，達成呼叫相同 AI 模組產出不同結果。

269. 「商業機密」與「生成式 AI 工具」的關係為何？

A. 無關
B. 若將機密資料餵給公有模型，可能被用於模型訓練或儲存在外部，造成商業機密外洩
C. 全部公開
D. GPU 夠大即可

Answer: B
Explanation: 未經處理就丟機密資料到公有模型 API，可能使資料落入第三方，存在外洩風險。

270. 在 No Code 平台執行「圖片生成 → 自動上水印 → 上傳雲端」，下列描述正確？

A. 需要程式碼
B. 平台可透過圖像生成 API + 影像處理模組 + 存儲模組串連，無需大量程式
C. 不可上傳
D. 不能加水印

Answer: B
Explanation: 只要平台支援影像處理與上傳模組，能串聯實現「生成→加水印→上傳」整個流程。

271. 「維護與升級」對於生成式 AI 流程意味着什麼？

A. 只在測試期
B. 隨著業務變化或模型更新，需調整 Prompt、流程步驟與參數；若換 API 也得重新對接
C. 不需升級
D. GPU 自動升級

Answer: B
Explanation: 生成式 AI 屬快速演進技術，上線後仍要根據新需求或模型版本定期更新流程。

272. 若核心人員離職，怎麼避免 No Code / Low Code 流程裡的「生成式 AI 配置」失傳？

A. 不可避免
B. 須有文件化、版本管理、跨人員交接制度，平台若支持視覺流程匯出與註解更佳
C. 全部加密
D. 刪除紀錄

Answer: B
Explanation: 良好文檔與平台的版本管理機制可避免依賴單一人員，預防離職造成知識斷層。

273. 哪個做法可最有效讓員工融入「生成式 AI」應用？

A. 強迫使用
B. 開展培訓課程與懶人包、試用競賽等，引導實際操作並褒獎創新成果
C. 嚴格禁止
D. 只允許管理層

Answer: B
Explanation: 鼓勵、培訓、試用競賽等方式能提升員工興趣與實際操作熟練度，加速內部落地。

274. 如果某需求需要 AI 按照複雜規則插入企業專業術語，No Code 平台要如何實現？

A. 只能程式
B. 於流程中插入可視化「規則引擎」或小段程式碼，將術語動態注入 Prompt
C. GPT 自動識別
D. Prompt 不可變

Answer: B
Explanation: 平台可提供規則引擎或擴充程式欄位，把企業術語注入 Prompt，確保輸出符合公司專業需求。

275. 在「複雜合約/法條摘要」應用中，若使用不準確的生成式 AI 工具會有何風險？

A. 數據庫增加
B. 摘要錯誤或遺漏關鍵條款，導致法律責任或理解偏差
C. 全自動
D. GPU 負荷

Answer: B
Explanation: 不精準可能導致法律風險；需嚴謹測試並搭配法務審閱。

276. 當有人誤以為「No Code = 不用專業知識」，在生成式 AI 項目會怎樣？

A. 全部成功
B. 缺乏業務/合規/AI 基本原理，恐導致誤用、出錯或合規風險
C. 反而更安全
D. 介面更漂亮

Answer: B
Explanation: 雖是無程式開發，但仍需基礎AI原理、業務邏輯、合規常識等專業，否則易導致錯誤。

277. 若要讓使用者在企業門戶上填表後，AI 生成對應報價單，下列哪個步驟不可或缺？

A. 全靠 GPU
B. 收集表單資料→呼叫生成式 AI 配合報價模板→最終輸出文件
C. CSV
D. 不需任何設定

Answer: B
Explanation: 整合表單輸入、AI 模板生成與文件輸出，完成自動報價流程。

278. 「用戶行為日誌」對 No Code + 生成式 AI 專案的意義？

A. 無意義
B. 可追蹤誰在何時呼叫了哪些功能、若出問題可回溯，亦能分析使用狀況
C. 僅看 GPU
D. 全不記錄

Answer: B
Explanation: 日誌能協助故障排查、合規審計、了解用戶使用模式等。

279. 在 No Code 流程中，若要根據內部數據做「客戶信件回覆」自動化，下列哪個設計最關鍵？

A. 只用 Public GPT
B. 先檢索內部客戶資料（如歷史交易、FAQ），再於 Prompt 中提供相關內容給模型產出回覆
C. 直接生成隨意回覆
D. 以 CSV

Answer: B
Explanation: 要讓 AI 瞭解客戶背景或 FAQ，需要檢索內部資料然後帶入 Prompt，才能產生符合公司標準的回覆。

280. 哪一個 QA 指標可衡量「No Code / Low Code + 生成式 AI」的整體可用性？

A. 只看 GPU
B. 端到端成功率（多少使用者成功完成整個流程）、操作步驟數、用時、滿意度
C. BLEU
D. KNN

Answer: B
Explanation: 可用性包含流程完成率、操作複雜度、使用者滿意度等綜合指標。

281. 當企業內不同部門都有私有資料，卻共用同一生成式 AI 流程，若無權限區隔會導致？

A. 全部可看
B. 可能部門彼此查看到對方敏感資料，引發內部合規問題
C. GPU 超載
D. 生成失敗

Answer: B
Explanation: 部門間應隔離資料，否則會洩漏機密給不該知道的人。

282. 如果使用 No Code 工具但需要程式化調優 AI 模型，常見作法是？

A. 完全棄用
B. 提供自定 code 區塊或外部微服務，讓高級調優可整合
C. 全部多次流程
D. 只看 CPU

Answer: B
Explanation: 大多數平台提供可插入程式碼或可呼叫自訂微服務做進階調優。

283. 若發現生成式 AI 對小語種（例如泰語）支援度低，可能在「試用測試」階段出現什麼結果？

A. 產生亂碼或顯示混雜英文
B. 不會有問題
C. Prompt 無效
D. 自動翻譯

Answer: A
Explanation: 小語種若未被模型充分訓練，常出現亂碼或拙劣翻譯，需要另想對策或換模型。

284. 下列哪個角色對 AI 導入的合規偏見、歧視等議題最關注？

A. HR 或法務部門
B. DevOps
C. 行銷部門
D. 美術設計

Answer: A
Explanation: HR、法務會特別注意 AI 產出有無歧視、偏見、違規之處，避免企業承擔法律與社會風險。

285. 企業若要做「批量生成短影音的腳本」，哪個模式較有效？

A. GPT 文字 + No Code 流程→根據關鍵字自動產出腳本，儲存至資料庫
B. 只有 CNN
C. CLI
D. 不能做

Answer: A
Explanation: 文字生成可快速批量編寫腳本，並通過 No Code 流程管理批次操作，常見於影音行銷應用。

286. 在預估導入後的「維運成本」時，下列何者最常被忽略？

A. 訓練參數
B. 用戶支援（教育訓練）、流程更新與 API 費用、合規審核人力
C. 模型大小
D. GPU 型號

Answer: B
Explanation: 除了技術成本，也需考量人員培訓、使用者支援、持續合規管理與 API 費用。

287. 哪個要素能讓 No Code / Low Code 生成式 AI 專案更易協作？

A. 協作編輯或專案管理功能（版本、權限、備註），可多人同時查看並修改流程
B. 僅單人可見
C. 只用命令行
D. 全部寄郵件

Answer: A
Explanation: 若平台支援多人協作專案管理，能讓跨部門一起維護流程，增進效率。

288. 若某生成式 AI 工具隱含偏見，使用 No Code 平台可能做何機制加以補救？

A. 靠運氣
B. 設置後處理審核或禁止某些詞彙、對輸出定期抽樣檢查並修正
C. 不可補救
D. 改 GPU

Answer: B
Explanation: 可在流程中加審核或屏蔽詞庫，並搭配定期監測檢查偏見輸出，提出修正。

289. 在生成式 AI「規劃步驟」裡，當不確定流量規模時，哪種架構最佳？

A. 固定 On-Premise
B. 雲端彈性擴縮
C. 僅LoRa
D. HPC

Answer: B
Explanation: 雲端彈性伸縮最適合流量不確定的情況，可隨需求動態增減資源。

290. 若企業在 No Code 平台中同時連接多個競爭對手 AI API（例如 OpenAI 與其他廠商），可能目的為？

A. 亂串
B. 比較多模型輸出品質，同時看哪家生成效果或價格更優
C. 沒任何意義
D. Prompt 混亂

Answer: B
Explanation: 多家 API 同時呼叫做 A/B 測試或切換備用，可靈活選擇最佳服務、控制成本。

291. 在試用中發現「誤用場景」（如員工拿 AI 生成不當內容），如何杜絕？

A. 無法防
B. 平台中限制輸入類型、加審核，或限制哪些 Prompt 不允許
C. 讓員工簽名
D. 全部封鎖

Answer: B
Explanation: 透過權限與審核規則，可避免濫用或不當行為，明確規範 AI 的使用範圍。

292. 為何在「需求確認」時，要將生成式 AI 的終端用戶也納入討論？

A. 與用戶無關
B. 用戶需求與操作習慣會影響流程設計及功能取向
C. AI自行學習
D. 只顧技術部門

Answer: B
Explanation: 終端用戶需求與體驗至關重要，若不納入可能出現脫節或不實用的設計。

293. 哪種案例最適合「逐步提升」導入方式？

A. 完全重構
B. 先在簡單的行銷文案或 FAQ 做測試，再擴展至更複雜業務場景
C. 一口氣全業務接入
D. CLI

Answer: B
Explanation: 試點簡單案例成功後再擴大應用，是降低風險、積累經驗的慣用策略。

294. 在 Low Code 應用中，對生成式 AI 完成任務後，若要發 Slack 通知屬於哪種流程動作？

A. 後置通知，一般透過平台連結 Slack API，將生成結果或執行狀態回報
B. 必須手動
C. GPU 運算
D. 幻覺檢測

Answer: A
Explanation: 平台可在流程最後一步呼叫 Slack API，實現自動通知的「後置動作」。

295. 哪種使用者可能最常關心「可視化分析」生成式 AI 的呼叫頻次與使用狀況？

A. 只有工程師
B. 管理層或專案負責人，需要監控成本與成效
C. 行銷實習生
D. 無需觀察

Answer: B
Explanation: 管理層/專案負責要關注使用量與支出狀況，以便資源規劃與效率評估。

296. 「微服務架構」與生成式 AI 流程結合可帶來什麼好處？

A. 難以維護
B. 各環節可獨立部署與擴充，如檢索、生成、審核分開，更靈活
C. 全部封裝
D. Prompt 多樣

Answer: B
Explanation: 微服務將不同功能模組拆分，易於獨立部署、伸縮與維護，適用複雜 AI 流程。

297. 若某工具支援「多人即時協作編輯 Prompt」，表示什麼？

A. Prompt 可被多人同時修改，方便討論與實時測試，適合團隊創作
B. 不支援版本
C. 介面更複雜
D. 需要 GPU

Answer: A
Explanation: 多人協作編輯 Prompt 能迅速集思廣益，測試各種指令寫法，提高效率。

298. 在生成式 AI 導入中，若測試發現輸出速度延遲過久，可能原因為？

A. Prompt 品質
B. 模型或 API 服務負載高、網路帶寬不足、或流程多重步驟耗時
C. 不能回答
D. CPU 性能太好

Answer: B
Explanation: 速度受限於服務端或網路，可能是公有模型負載高、內網速度等因素造成延遲。

299. 哪個指標可用於監控「生成式 AI 流程」的成功率與錯誤原因？

A. AUC
B. 流程日誌中的成功/失敗記錄 + 錯誤碼分析
C. GPU 溫度
D. 只看介面

Answer: B
Explanation: 需從日誌與流程記錄看呼叫成功率、失敗原因（如 API 超時、參數錯誤），才能改善。

300. 在「規劃生成式 AI」最終落地時，若想持續優化，下列哪一項最關鍵？

A. 一次定案
B. 持續追蹤使用情況、收集使用者回饋，對 Prompt、流程、模型版本進行週期性優化
C. 不必管用戶
D. K-Means

Answer: B
Explanation: 生成式 AI 需動態調整 Prompt、升級模型版本，也要收集使用者回饋，持續改進才能長期穩定成長。

301. 在「No Code 平台」中設計生成式 AI 功能時，哪個重點能提升團隊共同協作效率？

A. 僅限單人操作
B. 提供可視化流程分享與版本管理，讓多名成員同時檢視並編輯
C. 隨機發佈
D. 以 CLI 模式運行

Answer: B
Explanation: 透過共享流程圖與版本管理，多人能同時協作、互相檢視與調整，提升開發效率。

302. 哪種狀況最容易導致「AI 幻覺」在企業應用中出現嚴重問題？

A. 全自動生產關鍵決策建議，且無人類審核
B. 只有測試階段
C. 只做圖像產出
D. 不涉及任何隱私

Answer: A
Explanation: AI 幻覺指模型捏造不實資訊。若企業在關鍵決策應用中全自動依賴 AI，且無人工把關，將造成嚴重後果。

303. 若某生成式 AI 平台只支援單次 Prompt 呼叫，卻需要多輪對話，該怎麼辦？

A. 需要 CLI
B. 利用流程記憶變數儲存先前輸出，再連同新用戶輸入一併組成新的 Prompt
C. 無法多輪
D. 手動記錄

Answer: B
Explanation: 雖然平台可能不原生支援多輪，但可在流程中保留對話上下文，用新的 Prompt 包含舊資訊達成多輪對話效果。

304. 企業若想應用生成式 AI 「自動生成客戶個案分析報告」，必須先確認什麼？

A. 使用者個資是否可被傳到公有模型、輸出資訊合不合規
B. 只看 GUI
C. 直接上線
D. GPU 規格

Answer: A
Explanation: 當包含客戶個資時，需要隱私防護；生成的報告若存在敏感資訊，也須確保合規。

305. 哪個舉例最能體現「Low Code」在圖像生成式 AI 的快速應用？

A. 需要程式大規模撰寫
B. 拖拉流程積木：選擇關鍵字輸入→圖像生成 API→自動加上品牌 Logo→上傳至行銷庫
C. 僅存成文字
D. 需要高端程式

Answer: B
Explanation: 這是一種典型的低程式應用：用可視化積木串接圖像生成與加 Logo、上傳等步驟。

306. 在規劃「生成式 AI 顧客服務」時，下列哪個做法能最大化減少錯誤資訊對客戶的影響？

A. 全部交給 AI
B. 加入常見問答資料庫檢索，AI 回應前先匹配正確參考；或對回覆進行審核
C. 不需要測試
D. 不做任何限制

Answer: B
Explanation: 使用檢索輔助（RAG）或審核機制，避免 AI 憑空製造內容而誤導客戶。

307. 「需求確認」若只是一句「想用 AI 做點什麼」，卻無具體應用場景，可能導致？

A. 建置容易成功
B. 專案難以聚焦或評估成效，導致浪費資源
C. 資安風險
D. 內容缺失

Answer: B
Explanation: 缺乏明確場景容易失焦，難以衡量 ROI、專案走向或落地成果。

308. 哪種評估方式能驗證生成式 AI 對外輸出的文案是否符合「公司品牌聲調」？

A. CPU 使用率
B. 人工作為品牌審核小組進行評讀；或依既定品牌關鍵詞/句式做匹配檢查
C. MSE
D. 只看 GPU

Answer: B
Explanation: 檢查品牌聲調多半需要人工審核或根據特定規則檢測語氣、詞彙是否符合法人期待。

309. 在「No Code 編排」中，如果要讓生成式 AI 拿到一段用戶上傳的文本再做結論，哪個步驟必要？

A. 不需任何關聯
B. 設計流程：上傳文本→存入暫存區→將文本內容傳給 AI 作為 Prompt
C. GPT 自動抓取
D. Prompt 固定

Answer: B
Explanation: 需有一個節點存放用戶上傳文本，再將該文本注入 AI 生成的 Prompt 環境裡，才能拿到對應結論。

310. 在多部門共用平台，但部門對「生成式 AI」具不同期望，應如何調和？

A. 不需調和
B. 建立跨部門治理小組，協調需求優先度與合規，並定義共享或隔離規則
C. 直接限制他部門使用
D. 只聽技術部門

Answer: B
Explanation: 要有統一協調機制，避免重複開發或互相衝突，並規範合規、安全等。

311. 若企業採用外部平台且輸入大量內部文檔給 AI 訓練，需留意哪一項？

A. 模型自動增長
B. 外部平台可能收集並利用這些內部文檔，再保留在其訓練數據庫裡
C. GPU 速度
D. 介面顏色

Answer: B
Explanation: 一些公有服務的條款允許使用者提交資料做模型改進，可能不適合敏感內部文檔。

312. 在 Low Code 環境若要延伸到行動裝置應用（App），最常見瓶頸為？

A. 完全無法
B. 手機上是否能順暢執行或調用生成式 AI，需要平台兼容行動端 UI 與 API
C. GPU 不足
D. 不需介面

Answer: B
Explanation: 行動端需要適配操作介面與呼叫服務，若平台不支援可能造成使用體驗不佳。

313. 哪個指標可評估「圖像生成 AI」對企業資料使用效益？

A. BLEU
B. 使用者回饋、創作效率提升度、減少外包設計成本
C. GPU 使用率
D. 純理論

Answer: B
Explanation: 需要看生成圖像的實際行銷效果、效率提高、外包成本降幅等，才知道是否具商業價值。

314. 當導入「生成式 AI」被員工質疑「品質參差，仍需要人工修改」，可怎麼回應？

A. AI 不需任何人工
B. 生成式 AI 可做初稿或雛形，人員專注在優化與創意發想，縮短基礎工作時間
C. 叫員工離職
D. 只能放棄

Answer: B
Explanation: 生成式 AI 作為初稿產生，能省去大量重複作業；人工則負責最終優化或決策，形成互補。

315. 在計畫中，若發現公司內部網路限制嚴格，無法連外 API，想用公有 AI 服務如何解？

A. 無法使用
B. 協調網路或設定代理來容許特定 AI 服務連線，或改用內部私有化部署
C. 全部封鎖
D. CLI

Answer: B
Explanation: 若想使用公有服務，就要協調資安部門針對 AI 服務做例外設定；若無法，只能私有化自建。

316. 哪種行銷活動最常用到「多語音宣傳文案生成」？

A. 只用中文
B. 全球行銷活動需同時生成多種語言的廣告語、宣傳文案
C. 僅限本地
D. 原則不做多語

Answer: B
Explanation: 國際或多國市場行銷需要多語文案，以吸引不同語言區的受眾。

317. 如果在 Low Code 流程中想「自動校對 AI 產生的英文語法」，可以怎麼辦？

A. 不能
B. 串接語法檢查 API（或另一生成式 AI 模型）作二次檢驗
C. 用手動
D. K-Means

Answer: B
Explanation: 可再串接語法檢查或校對工具，把第一步生成內容做第二步檢測。

318. 為了向管理層展示「No Code + 生成式 AI」的可能性，哪種 POC 最具衝擊力？

A. 極簡單的例子
B. 與公司業務場景緊密結合的小規模 Demo，如行銷文案快速生成與審核
C. 純理論
D. 隨意文檔

Answer: B
Explanation: 展現公司真實業務情境的 Demo 更能讓管理層直接看到價值與衝擊力。

319. 在「試用測試」時，若部門回饋一致認為某生成式 AI 介面過於繁雜，該如何處置？

A. 強制使用
B. 優化介面設計或選用更易用的 No Code 平台，確保體驗順暢
C. 放棄專案
D. CLI

Answer: B
Explanation: 介面過於複雜導致使用阻力，需改善或換平台以保證使用率與成效。

320. 「需求確認」若判定生產營運單位需要即時決策輔助，下列哪種生成式 AI 應用可能？

A. 即時監控數據 → 用 AI 分析與產生建議，或撰寫決策簡報
B. 只做人力管理
C. 不可能
D. 只做文字翻譯

Answer: A
Explanation: 結合即時運營數據，由生成式 AI 產生建議與簡報，提升決策效率。

321. 在專案管理上，若將「試用測試」階段縮至極短時間，可能有什麼風險？

A. 更容易成功
B. 無法充分發現問題，最終上線後才陸續暴露缺陷
C. 提高合規性
D. Prompt 不需要

Answer: B
Explanation: 測試期過短，許多潛在問題沒被檢驗，上線後可能出現災難性錯誤。

322. 在數據不足的情況下，若要提供 AI 輸出更精準建議，下列做法可行？

A. 放棄
B. 透過結合外部資料源或用戶輸入資訊補充，再由 AI 整理生成
C. 全靠 GPT 幻覺
D. 不可進行

Answer: B
Explanation: 若內部數據不足，可串接外部開放或付費資料，或讓用戶提供上下文，補足資訊缺口。

323. 當行銷部門持續抱怨「AI 輸出風格過於制式」，提示了什麼？

A. Prompt 需更豐富描述品牌個性；或平臺可考慮微調模型到符合品牌要求
B. GPU 不夠
C. 只改程式碼
D. 不可解決

Answer: A
Explanation: 風格制式通常是 Prompt 不佳或模型缺乏品牌語料，需做更多細節描述或模型微調。

324. 「用戶回饋循環」在生成式 AI 專案中可帶來何種效果？

A. 干擾
B. 讓專案團隊持續優化 Prompt、流程設計，提升最終品質
C. 只看一次
D. Prompt 不可調

Answer: B
Explanation: 用戶回饋循環能使專案持續進化，越來越切合用戶期望。

325. 下列哪個做法最能提升「No Code」生成式 AI 專案在企業內的接受度？

A. 放任員工摸索
B. 提供簡明操作手冊、範例流程和新手教學，設立討論群以解答疑惑
C. 只許專家使用
D. 強迫全員馬上使用

Answer: B
Explanation: 透過新手教學、示範範例、在線解答能降低學習曲線、鼓勵員工使用並掌握。

326. 哪個情境最需要「自動化審核」機制？

A. 生成式 AI 用於私人娛樂
B. 大規模對外發布宣傳內容，需確保內容合規與不含錯誤
C. GPU 多
D. 不用檢查

Answer: B
Explanation: 對外發布的宣傳內容若不審核，可能誤導受眾或違法，必須設置審核節點。

327. 在「No Code 平台」上，若想保持生成式流程可彈性擴充，應？

A. 全寫 Python
B. 利用模組化設計，每個功能（檢索、生成、審核）分開，未來可獨立升級或替換
C. 介面固定
D. 不可擴充

Answer: B
Explanation: 模組化能確保未來可以對單個功能進行升級或替換，而不影響整體。

328. 哪個做法可以降低「生成式 AI」為企業帶來的法律風險？

A. 不需要任何措施
B. 設置防火牆
C. 建立輸出審核、標示 AI 生成、管理員定期抽檢，並落實版權、隱私條款
D. CLI

Answer: C
Explanation: 通過標示 AI 生成、審核流程及抽檢，能減少錯誤或侵權的風險。

329. 若「品牌插畫生成」成功，但在產出大量圖像後無法有效分類使用，應怎麼辦？

A. 不能整理
B. 透過平台串接圖像標籤工具自動歸檔，或人工標記再輸入資管系統
C. 只手動
D. 不分類

Answer: B
Explanation: 圖像分類可用 AI 標籤或人工補充方式整理，才能高效率使用。

330. 哪個案例最能展示「試用測試」階段成效？

A. 只自我驗收
B. 有明確用例試用，如「自動生成 50 條商品描述」，並測精確度/人工修改量、記錄時間省下多少
C. 超過測試時間
D. 全部 K-Means

Answer: B
Explanation: 以量化測試（生成若干內容、評估人工修改量與時間），能客觀呈現試用效果。

331. 「敏感詞檢查」對生成式 AI 流程何時特別重要？

A. 企業對外文宣、客服對話等公開領域
B. 數據科學研究
C. 內部限定
D. GPU 性能

Answer: A
Explanation: 當內容公開時，若包含敏感詞或違法用語，會導致品牌與法律風險，因此需敏感詞檢查。

332. 若要讓員工能在不離開現有系統（如 CRM）就用到生成式 AI，下列方法較可行？

A. 重寫 CRM
B. 在 CRM 內整合 Low Code 嵌入式面板或 API，讓員工在同一介面操作 AI
C. 只看外部
D. CLI

Answer: B
Explanation: 可把 AI 流程嵌入 CRM UI 或在後端集成，員工無需切換到別的平台，即可使用 AI 功能。

333. 當行銷希望一次產生「上萬筆短文案」，需預估什麼？

A. CPU 數
B. API 呼叫次數、費用與時間，並考慮批量生程能否夠快
C. 全部本地運算
D. Prompt 不重要

Answer: B
Explanation: 大量生程需預估 API 費用和耗時；若量大且頻繁，成本與性能都要考慮。

334. 在導入規劃階段，若管理層擔心成果品質不穩，下列哪個做法能緩解？

A. 不考慮
B. 訂立試用測試標準與階段性 KPI（如準確率/滿意度/縮短時程），定期檢討進度
C. 放任使用
D. 只調參

Answer: B
Explanation: 建立測試與評估標準，階段性檢討，可及時瞭解品質問題並改善，降低管理層疑慮。

335. 在 No Code 平台中，如果要提供對員工的使用教學手冊，下列何者最適合？

A. 長篇論文
B. 圖文並茂的步驟說明，以及簡單案例示範
C. 提供程式函式庫
D. 只掛官網連結

Answer: B
Explanation: 一步步圖文教學和範例最易理解，能幫助員工快速上手。

336. 哪個因素使「合規測試」在生成式 AI 上線前變得必要？

A. 生成式 AI 可能輸出有侵權或不當內容，法規或公司政策需要審查
B. 全部合法
C. 不需合規
D. GPU 性能

Answer: A
Explanation: 若 AI 輸出涉侵權或敏感內容，會違反法規或公司政策，需做合規測試把關。

337. 若業務端要求 AI 文案「包含精確品牌稱呼」但生成結果常寫錯，可能原因為？

A. 模型對該名稱不熟悉
B. GPU 不足
C. Prompt 已做最好
D. CLI

Answer: A
Explanation: 需在 Prompt 或微調中反覆強調品牌正確拼寫，或加入字典 / Validation，否則模型易寫錯或變形。

338. 在需求規劃中，若企業注重「歷史對話記錄」的隱私保護，應怎麼做？

A. 不進行記錄
B. 可以儲存在平台私有資料庫，並加密或限制存取，確保洩漏風險可控
C. 隨意上傳
D. 全部公開

Answer: B
Explanation: 需要安全機制或加密方式儲存歷史對話，以避免外人存取到敏感資訊。

339. 哪個做法有助於將「生成式 AI」融入既有工作流程，而非獨立工具？

A. 產生文本後由員工手動複製貼上
B. 透過 No Code / Low Code 平台對接公司內部系統，使得 AI 生成結果自動流向業務流程
C. 全程 AI
D. 人工混合

Answer: B
Explanation: 將生成式 AI 與內部系統串接在同一流程裡，讓結果自動用於業務或後續步驟，使應用無縫銜接。

340. 對於員工而言，若無法理解生成式 AI 是如何生成內容，可能造成？

A. 使用信心不足，對結果存疑
B. 一定安全
C. GPU 加速
D. Prompt 工程

Answer: A
Explanation: 黑箱性會使員工心存疑慮，因此需要說明流程、或提供參考來源與審查機制。

341. 哪些場景適合在「No Code 流程」中加入“使用者確認視窗”？

A. 無需用戶確認
B. 生成高風險內容（對外公佈、關鍵決策文案）前，彈窗讓使用者核對並確認
C. Prompt 不可調
D. K-Means

Answer: B
Explanation: 高風險輸出需用戶最後核對，以避免誤發或不當內容，通過彈窗確認可降低風險。

342. 若企業計畫將生成式 AI 產生的文案直接刊登於官網，需再加做什麼步驟？

A. 不用
B. 法務或專責人員審核 + 品質與合規檢查 + 最終發布
C. 全自動發
D. GPU 占用

Answer: B
Explanation: 官網內容代表官方立場，必須有嚴謹審核機制，避免錯誤或違規。

343. 在「需求確認」若技術團隊指出現有數據不足以支撐精確生成，下列做法較可行？

A. 放棄導入
B. 收集更多領域資料，或先做有限度應用、對外部資源補足
C. GPU 升級
D. 不需要資料

Answer: B
Explanation: 資料不足時可考慮補充資料、先行試驗限制場景，或結合外部可用數據。

344. 哪個做法可以提升一般員工在 No Code 工具中使用生成式 AI 的意願？

A. 直接上線
B. 結合員工現有業務流程設計一鍵功能，讓生成與審核都不需離開熟悉的環境
C. 加大 GPU
D. Lockdown

Answer: B
Explanation: 讓員工在日常業務場景中就能使用 AI，而非切換平台，使用意願會增。

345. 在流程編排中，若想以「不同權限」保護生成結果，下列描述何者正確？

A. 无法控制
B. 可以在 No Code 平台對「產生結果」的存取設定角色權限，只有特定級別可查看或編輯
C. 全員可見
D. 只靠 Prompt

Answer: B
Explanation: 大部分低程式平台可為流程節點與輸出配置權限，保障敏感結果不被亂看。

346. 「部署模式」的選擇（雲端 vs. 私有）最主要受哪些因素影響？

A. 介面主題
B. 數據隱私敏感度、合規要求、預算、資源與彈性需求
C. 只看廣告
D. 全自動

Answer: B
Explanation: 敏感度高、法規嚴的環境偏好私有化；彈性與成本考量則雲端更好。需綜合分析。

347. 當企業要讓生成式 AI 每日分析市場訊息產出簡報，下列做法最常見？

A. 人工手動
B. 設置定時排程，抓取當日訊息後調用 AI 生成摘要，導出 ppt 或 pdf，並通知負責人
C. CLI
D. 全部無需匯出

Answer: B
Explanation: 以排程自動執行，結合抓取資料、AI 摘要、輸出格式與通知，就能日日生成最新簡報。

348. 哪一個觀念對導入「生成式 AI」特別重要？

A. 模型不可錯
B. AI 輸出不保證絕對正確，仍需人類或後續系統輔助審核
C. 無需合規
D. Prompt 無影響

Answer: B
Explanation: 生成式 AI 目前難保 100% 正確，因此要有人為或其他機制審核與修正。

349. 在評估 No Code 平台的「客製化能力」時，下列哪個要點不可缺？

A. 是否能插入自訂程式碼、整合外部微服務、進行 API 擴充
B. UI 色彩
C. 幻覺檢測
D. 全部預設

Answer: A
Explanation: 若平台無法擴充 API 或插入程式碼，難以應對複雜需求。

350. 為了兼顧效率與品質，生成式 AI 的每個結果都要人工審核嗎？

A. 不一定，視風險等級而定
B. 必須全審
C. 不需審
D. GPU 大即可

Answer: A
Explanation: 高風險或對外公開內容應審核，低風險可放行，但仍保留抽檢機制平衡效率。

351. 在「合規需求」嚴格的金融或醫療領域，若要使用公有生成式 AI，可行嗎？

A. 一定違法
B. 可以，但要確定資料不含敏感個資或加密脫敏處理，並遵守法規才可使用
C. 完全沒機會
D. 不合規

Answer: B
Explanation: 金融/醫療合規嚴格，若要用公有服務必須先做好隱私處理或脫敏，確保不違法。

352. 什麼情況下「生成式 AI」的效率無法顯示優勢？

A. 高度重複、格式固定的文本
B. 複雜創意文案
C. 多語言
D. 無題

Answer: A
Explanation: 若文本格式固定且高度重複，傳統自動化或模板就能解決，不一定需要生成式 AI。

353. 哪個案例顯示「No Code」也可能無法應付複雜需求？

A. 只要能拖拉就可以
B. 需要多層判斷分支、動態微調 Prompt、與多內部系統深度整合，平台功能不夠彈性
C. 僅做示範
D. 全程無需修改

Answer: B
Explanation: 極度複雜流程可能超出平台預設功能，需要程式設計能力或外部微服務。

354. 當行銷人員想要「圖文混排的 PDF 報告」，而低程式平台目前只支援文字輸出，該怎辦？

A. 不可
B. 整合外部 PDF 合成或設計模組，或拓展程式碼區段實現
C. 手動產生
D. 全部棄用

Answer: B
Explanation: 可透過外部 PDF 工具 API 或自訂程式碼，以圖文混排方式生成 PDF 報告。

355. 在試用階段若各部門反饋良好，下一步最常見動作？

A. 立刻全面上線
B. 收集試用數據與建議，優化流程與 Prompt，完善權限與審核；然後計劃分階段上線
C. 放著不管
D. 直接否決

Answer: B
Explanation: 就算反饋良好，也需要根據測試結果調整優化並準備分階段推廣。

356. 「語音生成式 AI」若要應用於客服自動播報，需注意？

A. 無需
B. 聲線品質、語調自然度，以及是否能用企業既有話術或詞庫
C. GPU 是否要更大
D. BERT

Answer: B
Explanation: 客服語音需自然流暢且符合企業話術風格，否則會影響客戶體驗。

357. 「資安與網路防護」對生成式 AI 應用何時最重要？

A. 不需
B. 一旦投入生產環境，需要保護 API 金鑰、使用者輸入與輸出日誌不被外洩
C. 測試階段不用
D. 只看 GPU

Answer: B
Explanation: 生產環境中，須確保 API 凭證不被濫用、用戶數據受保護、日誌不洩漏機敏資訊。

358. 當企業對「No Code 平台」上做的流程要進行回顧檢討，下列哪個資訊最有效？

A. 全部 Gantt 圖
B. 使用記錄：每個節點被呼叫次數、錯誤率、API 呼叫費用、使用者滿意度
C. 只看 GPU
D. CLI

Answer: B
Explanation: 從流程日誌與費用、錯誤、滿意度數據能綜合檢討流程優劣並針對性改進。

359. 若要將 AI 生成結果「插入 Word 模板」再交給其他部門，下列做法最常見？

A. 手動 Copy
B. 在流程中呼叫「文檔合成」模組，將生成文字填入指定欄位，最後輸出 Word 檔
C. CSV
D. GPT

Answer: B
Explanation: 大多 Low Code 具備文檔合成套版功能，可自動填入欄位產生 Word 供後續使用。

360. 在需求規劃時，若企業需因應瞬間高流量（如大型促銷活動），應考慮？

A. 只購買本地 GPU
B. 雲端彈性擴容或備用多模型服務分散壓力，避免高峰期崩潰
C. 放棄
D. 不會崩潰

Answer: B
Explanation: 高峰期需要彈性擴容或多服務分流，避免同時大量請求導致延遲或失敗。

361. 「可解釋性」在生成式 AI 指的通常是？

A. 用 GPU
B. 能讓用戶瞭解 AI 如何得出此內容或依據了哪些參考資料
C. Performance
D. 不可解釋

Answer: B
Explanation: 可解釋性意指能顯示生成依據或邏輯，避免黑箱帶來風險或不信任。

362. 當管理層關心「是否可加速客製化實施」，No Code / Low Code 與自寫程式比較？

A. No Code 能更快原型，但深度客製可能需要額外程式碼或外部服務
B. 完全不行
C. 只看 GPU
D. Prompt 太長

Answer: A
Explanation: No Code + 部分程式擴充可兼具速度與客製，純程式開發則較耗時；最終依需求複雜度決定。

363. 在「試用測試」若發現某生成式工具對業務語境反應欠佳，下列哪一點可先嘗試？

A. 重新寫 UI
B. 提供更多業務關鍵詞與上下文在 Prompt，或做小量微調
C. 完全棄用
D. GPU 升級

Answer: B
Explanation: 調整 Prompt、添加業務背景描述或微調，常能顯著改善模型對此領域理解。

364. 「No Code + 生成式 AI」若要產生個性化客戶回覆，下列哪種資料至關重要？

A. 不需要
B. 每位客戶的基本資訊、交易或歷史互動紀錄
C. CPU
D. 挖掘

Answer: B
Explanation: 個性化需要掌握客戶資訊，才能讓 AI 輸出針對該客戶的專屬建議或敘述。

365. 哪個因素會影響「生成式 AI」在公開網路上的延遲？

A. 只看 Prompt
B. API 伺服器的地理位置與網路傳輸距離、並發量
C. 版本號
D. CLI

Answer: B
Explanation: 伺服器離用戶越遠或負載越高，延遲越大；另外並發亦會影響響應速度。

366. 為什麼部分企業傾向「半自動化」而非「全自動化」的生成式 AI 流程？

A. 提高負擔
B. 保留人工審核的環節可避免錯誤或不當輸出直接流出
C. 全自動更安全
D. KNN

Answer: B
Explanation: 半自動化可在關鍵步驟由人確認，平衡效率與風險，避免錯誤無人察覺。

367. 在No Code 平台開發生成式 AI「聊天室」，若要支持記憶 10 輪對話，需要什麼機制？

A. GPU 升級
B. 於流程中儲存先前多輪訊息，或使用會話狀態管理，合併所有上下文進 Prompt
C. 不可多輪
D. CLI

Answer: B
Explanation: 多輪對話需保存上下文資訊，每次呼叫時將其合併進 Prompt，實現對話連貫。

368. 要加速企業員工接受「生成式 AI」工具，哪個關鍵成功要素最容易被低估？

A. 介面美觀
B. 培訓與使用者回饋機制、提供真實場景示範
C. 僅高管支持
D. GPU 高效

Answer: B
Explanation: 很多技術部署失敗在於使用者沒被適度培訓、無回饋管道；有了示範與支持，員工才願意採用。

369. 「試營運」時，若反饋顯示用戶常會輸入無意義或惡意指令，怎麼辦？

A. 任其發生
B. 設置基本的輸入驗證與過濾，對惡意指令有保護措施
C. 棄用
D. GPU 升級

Answer: B
Explanation: 須在流程中加上阻擋惡意輸入的規則或安全檢查，避免意外或攻擊行為。

370. 在規劃中，如果企業需要 AI 結果能溯源，表示什麼？

A. 不可溯源
B. 要顯示引用資料或推理步驟（或儲存每個輸入/輸出日誌），以便事後追蹤
C. GPU 大
D. 介面華麗

Answer: B
Explanation: 溯源指對應輸入、資料來源與邏輯須記錄，事後可查詢。這在嚴謹領域很重要。

371. 如果管理層想要對生成式 AI 成果做「AB 測試」以優化轉化率，應如何實現？

A. 只看 CLI
B. 在 Low Code 流程中設定兩組 Prompt 或模型，隨機分給部分用戶，記錄成效
C. 放棄
D. 手動評估

Answer: B
Explanation: AB 測試需將用戶分組使用不同配置，再收集轉化或點擊等數據來比較效果。

372. 哪一種情境適合在流程中加入「情感分析」AI？

A. 完全無情緒需求
B. 生成客服回覆前，先分析客戶文字情緒→再決定生成何種語氣
C. 只有 CNN
D. 全部無監督

Answer: B
Explanation: 若客服回覆需要因應客戶情緒而調整語氣，可在流程中先做情感分析，再呼叫生成式 AI。

373. 當企業宣稱「讓員工自由嘗試各種生成式 AI」，會帶來什麼風險？

A. 安全+隱私+費用失控；若無規範，就可能外洩資料或付出高額 API 費
B. 一定更好
C. Prompt 提升
D. GPU 加速

Answer: A
Explanation: 若毫無限制，可能員工把敏感資訊餵入外部模型，或大量呼叫產生費用爆增，需要制定規範。

374. 「極度客製化」的生成式 AI 需求一般如何處理？

A. 不可實現
B. 在平台可插入外部微服務或客製程式方式對 AI 做深入控制
C. 全部手動
D. 直接關閉

Answer: B
Explanation: Low Code 平台若預設功能不足，可通過嵌入外部微服務或客製化模塊來實現。

375. 若在平台建置流程時，設計了太多複雜節點，結果使用者抱怨難維護，代表？

A. Flowchart 太細化
B. 需簡化流程或把重複邏輯打包成子流程模組，以提升可維護性
C. GPU 少
D. CLI

Answer: B
Explanation: 過度複雜的流程不利於維護，可進行拆分或模組化，讓邏輯更易理解。

376. 哪個做法最能確保「生成式 AI」編寫的程式碼可靠？

A. 全自動上線
B. 加程式碼測試與人工覆核，或使用專門的程式檢查/單元測試
C. GPU 强大
D. 只能無監管

Answer: B
Explanation: AI 生成的程式碼仍可能有錯，需要專門測試與人工審閱，保證安全與正確。

377. 在規劃「行銷海報+文案」自動生成，一次同時完成，下列流程設計較可能？

A. 僅文字
B. Prompt 中含文字+圖像需求 → 分別呼叫文字生成及圖像生成 API → 最後合並排版
C. CLI
D. 無法同時

Answer: B
Explanation: 可透過流程中同步呼叫文字與圖像API，再把結果組合在一起做海報排版。

378. 一個成熟的生成式 AI 專案在維運階段仍需週期性回顧什麼？

A. 不需要回顧
B. 模型輸出是否仍符合需求、API 費用是否符合預期、用戶回饋、競品對比
C. CPU 參數
D. 介面主題

Answer: B
Explanation: 要持續檢討生成品質、成本與用戶回饋，確保專案在市場與技術層面保持競爭力。

379. 若企業希望內部報告也可由 AI 自動生成摘要，需要先做什麼？

A. 只加 Prompt
B. 收集報告格式與內容範例，並在流程中實作「文件抓取 + AI 摘要 + 輸出」
C. CLI
D. 手動

Answer: B
Explanation: 需制定格式與把文件匯入 AI 流程，AI 摘要再輸出，符合內部報告需求。

380. 為什麼在 No Code / Low Code 中，需要提供「參數動態配置」給使用者？

A. 只能固定
B. 讓使用者可依情境微調溫度、Top-p、文字長度等，取得不同生成效果
C. Prompt 無用
D. CLI

Answer: B
Explanation: 生成式 AI 常用參數來控制輸出隨機度、篇幅等，動態配置讓使用者靈活調整結果。

381. 「訓練日誌」在私有化生成式 AI 導入中常用於？

A. 提升 GPU
B. 記錄每次微調或訓練的過程與結果，便於回溯與優化
C. 介面顏色
D. 只看 CLI

Answer: B
Explanation: 私有化若做微調訓練，需要有訓練日誌可追蹤流程、參數變化等，方便故障排查與優化。

382. 「試用測試」時間過於倉促，可能出現？

A. 沒問題
B. 未發現系統在高並發或特定輸入下的錯誤，上線後爆雷
C. 行銷增效
D. KNN

Answer: B
Explanation: 測試不足會導致隱藏問題上線後才暴露，風險大。

383. 哪一個應用場景對生成式 AI 需求通常較低？

A. 行銷創作
B. 簡單表格運算
C. 客服對話
D. 圖像設計

Answer: B
Explanation: 簡單表格運算較適合傳統程式或公式，無須生成式 AI；其他選項常需要生成能力。

384. 若企業目標是「建立客戶個人化 Email」自動化，使用 No Code 有何優勢？

A. 一鍵生成
B. 能快捷配置表單抓取客戶資訊，串接文字生成 API 並自動寄送，不需大量程式
C. 僅手動
D. GPU 加持

Answer: B
Explanation: No Code 平台可將客戶資料與 AI 結合，在流程中自動產生客製化 Email，效率高。

385. 當法務發現生成式 AI 圖片的版權歸屬不明，下列建議為何？

A. 直接發布
B. 使用前先瞭解或詢問工具的產權條款，必要時可購買企業版版權條款較清晰
C. 不需理會
D. GPU

Answer: B
Explanation: 一些工具會保留生成內容的版權或帶限制，企業使用前須確認使用授權範圍與條款。

386. 規劃「生成式 AI 自動命名新產品」時，下列哪點較重要？

A. 不用顧慮
B. 檢查生成名稱是否與已有商標衝突，或是否涉及敏感用語
C. 介面色彩
D. CLI

Answer: B
Explanation: 產生的新產品名須檢查商標侵權或敏感問題，避免法律糾紛。

387. 企業若已大量使用 Low Code 做基礎系統，加入「生成式 AI 功能」最常用方式是？

A. 改手寫
B. 在既有流程中新增 AI 節點或模塊，串接文本/圖像生成 API，保持原系統架構不變
C. 全部推倒重寫
D. 只改 GPU

Answer: B
Explanation: 基礎架構不動，直接在流程中添 AI 模塊即可快速擴充功能。

388. 哪種情形下生成式 AI 工具的「風險」特別低？

A. 內部僅用於草稿，無敏感資訊
B. 全部法律文件
C. 含客戶隱私
D. 核心決策

Answer: A
Explanation: 若僅做內部草稿、且無敏感資料，不直接公開發佈，風險相對較低。

389. 在導入規劃裡，若管理層關心「回本週期（ROI）」，如何估算？

A. 無法估
B. 估計可節省的人力時間、產能提升，對比每月平台/API 成本與維運費
C. 只看 GPU 成本
D. 關閉

Answer: B
Explanation: ROI 須考慮省下之人力成本或創造價值與 AI 導入費用的對比，才能估算回收期。

390. 「多通道對接」指的是？

A. 同時整合多個輸入/輸出接口，如網頁、App、Chatbot，以及電話語音等，皆能使用同一生成式 AI 流程
B. 僅單一 CLI
C. 僅限後台
D. GPU

Answer: A
Explanation: 多通道對接代表不同使用入口（Web、行動、電話）皆呼叫同一 AI 流程，擴大應用面。

391. 當企業關心「模型可解釋性」，在 No Code 環境怎麼做？

A. 必須棄用
B. 預先在流程加步驟：顯示參考資料或將 AI 生成邏輯寫成注解；必要時結合檢索層
C. GPU 升級
D. 不可解釋

Answer: B
Explanation: 可搭配檢索層與在流程中顯示引用連結或提示，提升解釋度。

392. 哪種行為可能造成「生成式 AI」二次傷害？

A. Prompt 太長
B. 使用者拿私密資訊當測試 Prompt 並分享到公用管道
C. 介面溫暖
D. 用 CPU

Answer: B
Explanation: 把私密資訊在測試時透過公用 AI 或公開場合使用，會造成資料外流或商業損失。

393. 在規劃時若想保障未來可支援更多功能，哪個策略較好？

A. 僅選封閉平台
B. 選擇擴充性高的平台（提供 API / Plugin 機制），並儘量使用模組化流程設計
C. 一次性寫死
D. Prompt 固定

Answer: B
Explanation: 開放擴充使得未來加新功能或換模型更容易，不需整個重做。

394. 若企業想自動生成「抖音短影片腳本 + 台詞」，生成式 AI 在 No Code 流程中扮演什麼角色？

A. 數據清洗
B. 負責依關鍵字或產品需求生成影片腳本與台詞，再交由其他模組進行審核或發佈
C. GPU 整合
D. Prompt 不重要

Answer: B
Explanation: 生成式 AI 提供腳本、台詞文本，其餘流程如審核、發佈則由其他模組執行。

395. 「低程式平台」要支援離線部署的難度較高，為什麼？

A. 無關
B. 離線時需本地運算模型與資料管理，對平台體積與功能是一大考驗
C. Prompt 太複雜
D. K-Means

Answer: B
Explanation: 離線部署意味着無法使用雲 API，需要在本地運行模型並管理資料，可導致平台更複雜且資源要求高。

396. 何謂「微調」在企業導入生成式 AI 時的挑戰？

A. Prompt 單一
B. 需蒐集並清洗適合的領域語料，調適模型，並付出運算與時間成本
C. 全自動
D. CLI

Answer: B
Explanation: 微調要有領域資料，還需硬體與時間做訓練，成本與資料蒐集都是挑戰。

397. 哪個關鍵能確保在 No Code 環境中多次更新流程後不會引發大範圍錯誤？

A. 無法保證
B. 版本管理、測試階段化，若更新失敗可回滾
C. 只看 GPU
D. 不能更新

Answer: B
Explanation: 有版本管理與充分測試可避免更新流程時誤動既有功能，回滾也能減少風險。

398. 在行銷案例中，生成式 AI 幫助短期活動快速出眾，若要長期保持吸引力？

A. 全自動
B. 定期調整或更換 Prompt，加入最新行銷要素，避免風格雷同導致疲乏
C. 只固定Prompt
D. 使用 ANN

Answer: B
Explanation: 長期需要不斷更新創意與差異化。若持續用同一 Prompt 可能風格單一，觀眾疲乏。

399. 若企業對外提供 API 給第三方使用其生成式 AI 流程，需注意什麼？

A. 無需任何條款
B. 需制定使用條款、流量限制與責任邊界，並記錄第三方請求日誌
C. 全公開
D. CPU

Answer: B
Explanation: 提供 API 給第三方也有合約與安全風險，須定義流量、權限、合規範疇與記錄使用情況。

400. 「最終上線」後，若企業發現許多部門想擴充新需求，該如何管理？

A. 無法控制
B. 建立需求管理與優先級機制，持續迭代流程與工具，防止無序擴張
C. 放任
D. 强制禁止

Answer: B
Explanation: 上線後不斷有新需求是正常現象，需要正式的需求管理流程，以免無序擴展導致混亂。

第 5 部分（題號 401～500）

401. 在「No Code」環境中，若想客製 AI 輸出的格式（如 JSON、Markdown），應如何實現？

A. 無法指定
B. 在 Prompt 中明確要求輸出格式，並在後處理模組中解析或微調格式
C. 只靠預設輸出
D. 必須全寫程式

Answer: B
Explanation: 多數生成式 AI 會依 Prompt 提示輸出一定的格式，也可在流程中加後處理去做進一步的格式檢驗或清理。

402. 在企業內導入生成式 AI 時，若管理層僅關心「立竿見影」效益，可能帶來什麼風險？

A. 效率最高
B. 忽略長期維運、合規與資料準備，導致後期問題或中斷
C. 全部收益
D. 介面調整

Answer: B
Explanation: 若管理階層只求短期效果，易忽略後續維運、合規、資料品質等長期基礎，導致專案後期常出現大問題。

403. 在 No Code 平台中，如果部門想把 AI 生成的文案「自動寄給特定郵件群」，可如何實作？

A. 不可
B. 設計工作流程：AI 文案生成 → 附上模板或內容 → 呼叫郵件 API（SMTP / 第三方郵件服務），自動群發
C. 手動複製文案
D. 直接公開

Answer: B
Explanation: 透過平臺提供的郵件模組或 API 呼叫，可將生成結果直接寄送給指定群組。

404. 為什麼大型企業對「內部合規」的關注度高於一般中小企業？

A. 企業內常涉及更多敏感客戶資料、合規義務與法務風險
B. 沒特別理由
C. 員工比少
D. Prompt 工程

Answer: A
Explanation: 大企業往往處理海量客戶/敏感資訊，法律風險更大，故非常重視內部合規管理。

405. 在「生成式 AI」專案中，若需要匯入大量文字檔作為參考資料，下列何者最常見？

A. 全部人力讀取
B. 利用 No Code 平台的批量匯入模組 + 向量或檢索資料庫，讓 AI 可從中檢索再生成
C. CSV 太小
D. 不可整合

Answer: B
Explanation: 常見做法是大批量匯入文本到索引/檢索層，AI 使用檢索結果增強生成，或直接在流程中做引用。

406. 哪種做法能幫助生成式 AI 產生更一致的品牌視覺風格？

A. GPT 大
B. 為圖像生成模型提供品牌色彩、Logo 形象或參考範例，並在 Prompt 與後處理加入固定規格
C. 全看運氣
D. 自動無法

Answer: B
Explanation: 注入品牌參考，指定色彩或設計風格，可使圖像生成更符合企業形象。

407. 若企業導入生成式 AI 期間，IT 團隊無足夠人力維運，此時可怎麼做？

A. 放棄導入
B. 考慮外包維運或選更輕量的雲端 API 服務，減少內部維運負擔
C. 不需維運
D. 直接壓給行銷

Answer: B
Explanation: 若IT人力不足，可用雲端 API 方式讓廠商維運；或選簡化版本，不自建複雜環境。

408. 在 No Code 平台中，若將生成式 AI 接入口與其他自動化流程混用，需要確保什麼？

A. 全部自動
B. 每個模組都能順利傳遞結果（資料格式一致），且設置錯誤處理機制避免任一環出錯整體崩潰
C. GPU 大
D. 介面漂亮

Answer: B
Explanation: 流程串連多個模組時，需維護一致的資料格式與錯誤處理路徑，避免單點故障影響全流程。

409. 為什麼「樣本案例」在試用測試中很重要？

A. 無需案例
B. 從實際用例可檢驗 AI 在真實情境下的表現，避免只看理想化指標
C. 全部理論
D. CLI

Answer: B
Explanation: 只有透過實際業務案例測試，才能發現生成的品質、錯誤與能否真正滿足需求。

410. 哪種情況代表生成式 AI 工具出現「幻覺」風險相對可接受？

A. 客服回覆重要資訊
B. 內部腦力激盪或創意構思，錯誤影響不大
C. 合約文本
D. 法規文宣

Answer: B
Explanation: 創意腦力激盪環境對錯誤容忍度較高；但在正式文宣或合約中幻覺風險不可忽視。

411. 在 Low Code 流程若想依不同使用者身分，輸出不同風格文案，怎麼設計？

A. 無法
B. 使用者身分→條件判斷→套用對應 Prompt 模板→呼叫生成式 AI
C. 只用預設
D. 全部相同

Answer: B
Explanation: 可在流程裡做判斷，針對不同身分加載不同 Prompt 或風格設定。

412. 企業若要追求更低成本或自主管控，常選擇哪種做法？

A. 租用昂貴公有雲
B. 自建生成式 AI 模型（或私有化部屬開源模型），但初期硬體與人力成本較高
C. 無人機
D. 全程外包

Answer: B
Explanation: 雖然自建初期成本高，但長期可省API費且更自由控管。最終還是要評估總成本和收益。

413. 若採「敏捷」方式帶領生成式 AI 導入專案，下列哪一點是關鍵？

A. 一次性完成
B. 每個短迭代都進行測試與用戶回饋，不斷調整 Prompt、合規策略，最終收斂
C. GPU 加速
D. 只看代碼

Answer: B
Explanation: 敏捷開發強調短期迭代、用戶回饋、快速調整，對生成式 AI 也很適用。

414. 「個人化推薦文案」常用於什麼場景？

A. 企業內部知識庫
B. 電商推廣信件、會員行銷文案，根據用戶偏好自動生成
C. 只做圖像
D. RPA

Answer: B
Explanation: 個人化推薦文案多應用於電商/行銷場景，根據用戶檔案、偏好給專屬內容。

415. 在 No Code 工具中若要做「多語言翻譯 + AI 潤稿」流程，下列方法最常見？

A. 無法
B. 一階段先呼叫翻譯 API，再呼叫文字生成式 AI 做潤色或風格化，然後輸出
C. CLI
D. 只看中文

Answer: B
Explanation: 多步驟串接：翻譯 → 潤色，並最終輸出。No Code 流程可輕鬆設置這樣的 pipeline。

416. 當生成式 AI 需要先檢索大量內部文件才能回答，下列哪個做法較可行？

A. 只能無監督
B. 建立檢索 + 生成流程（RAG），將檢索結果帶入 Prompt，AI 進行總結或回答
C. 只看 Prompt
D. 不可檢索

Answer: B
Explanation: RAG：Retrieval-Augmented Generation，是先從資料庫找出關聯內容，再交給模型生成結果，以提升正確度。

417. 在導入生成式 AI 期間，若發現對既有工作流程衝擊很大，應如何面對？

A. 無視
B. 與使用者單位溝通並評估改造或漸進式導入，保留必要的人工流程
C. 強行推動
D. 只問技術部門

Answer: B
Explanation: 建議與使用單位協調，考慮分階段落地、保留關鍵人工步驟，減少改變過猛帶來的阻力。

418. 哪個指標更適合衡量「客服型」生成式 AI 的回覆滿意度？

A. GPU 溫度
B. CSAT（客戶滿意度調查）或人工審核評分
C. BLEU
D. MSE

Answer: B
Explanation: 客服回覆最終得由客戶感受決定，可使用 CSAT 或人工評分。

419. 若某工具對「深度微調」不友好，但企業需高度客製化，該如何？

A. 沒解
B. 選擇能支援微調的其他平台，或在流程外額外做檢索+模板填充
C. 只改介面
D. CLI

Answer: B
Explanation: 若該工具無法微調，可選擇支援微調的方案，或改用 RAG / 模板方式，也是一種替代客製化方法。

420. 在 No Code 平台若想讓「客服聊天」保存歷史資訊 30 天，與 AI 結合怎操作？

A. 不可
B. 設置數據儲存模組/資料庫存放對話紀錄，並可視需求在後續對話中讀取
C. CLI
D. GPU

Answer: B
Explanation: 需在流程中連接資料庫模組，定期儲存對話歷史才能做長期回顧或後續分析。

421. 當法務部門希望「AI 回覆必須給出參考法條」，實務上可怎麼做？

A. 不可
B. 在 Prompt 要求引用對應法條，或採取檢索法條+生成方式來提供來源
C. 只用 GPT
D. GPU

Answer: B
Explanation: 先檢索相關法條並帶入，或在 Prompt 中要求「列出依據」，同時在後處理中核對法條正確性。

422. 哪種做法能幫助管理者「可視化」看到整個 AI 流程？

A. 命令列
B. No Code 平台的流程圖介面，可顯示每個步驟與數據流向
C. 只講 PPT
D. CLI

Answer: B
Explanation: 可視化流程圖讓管理層更直觀理解 AI 如何被串接與執行，便於溝通與管理。

423. 哪種狀況下，生成式 AI 可能「產生違反隱私的個資」？

A. 只做回歸
B. Prompt 中包含個資，AI 又將它寫入其他公共內容或記錄
C. GPU 性能
D. 全自動

Answer: B
Explanation: 若 Prompt 內含個資，又沒有隱私保護，AI 輸出可能公開該資訊，造成隱私洩露。

424. 若員工需客製編排 Prompt 但未懂 AI 基本原理，該提供什麼協助？

A. 沒必要
B. Prompt 教學、示例與建議詞庫，幫助員工了解如何精準指令 AI
C. GPU 升級
D. 直接叫他棄用

Answer: B
Explanation: 指令的好壞很大程度決定 AI 輸出品質，需教學及示例讓員工上手 Prompt 工程。

425. 在結合「RPA」自動化處理時，若要呼叫生成式 AI 做判斷或創作，常見瓶頸是？

A. 無法並行
B. RPA 適合固定規則，生成式 AI 較具創造性，需要另外審核或條件判斷
C. CLI
D. 介面衝突

Answer: B
Explanation: RPA 基本上偏向規則流程，若結合生成式 AI 的不確定性，需要額外審核與條件控制才能融入流程。

426. 哪個因素會影響「文字生成式 AI」給出的結果在行銷上是否足夠吸睛？

A. GPU 性能
B. 模型可用的語料多寡、Prompt 風格描述、隨機度設定
C. CLI
D. BFS

Answer: B
Explanation: 若語料豐富、Prompt 調校、隨機度適宜，生成的文案才可能具創意、吸睛度。

427. 在「試用測試」若發現員工操作過程中常卡關於輸入格式，應如何改進？

A. 不需理會
B. 於 No Code 介面中提供明確輸入範本或限制欄位類型，避免格式錯誤
C. 轉換 GPU
D. Prompt 無效

Answer: B
Explanation: 可在介面設置文字欄位或下拉選單等，減少員工輸入格式錯誤的機會。

428. 為何在大規模導入後，仍需「定期審核生成內容」？

A. AI 永遠正確
B. 模型可能隨應用情境產生偏差或新類型錯誤，定期審核能發現並調整 Prompt 或流程
C. CLI
D. GPU 越大越安全

Answer: B
Explanation: 生成式 AI 有可能因資料、場景變化出現新的錯誤，定期審核可及時修正維護品質。

429. 在 No Code 平台中，若想限制員工呼叫 AI 的次數避免超量費用，怎麼做？

A. 不可限制
B. 設定呼叫配額或在流程判斷已呼叫次數，超過則禁止或提示管理員
C. 全部放開
D. 介面無法

Answer: B
Explanation: 大部分平台可加邏輯判斷或設定配額，防止意外大量呼叫產生高費用。

430. 哪個做法能提升「圖像生成式 AI」對細節要求的呈現度（如商品logo、字樣）？

A. 提升 GPU
B. 提供精確的 Prompt，並在後處理檢測標識；若有瑕疵可再要求重新生成或手動修飾
C. 只用文字
D. 介面無法

Answer: B
Explanation: 圖像生成對文字、LOGO 細節易失真，可在 Prompt 做明確描述，若輸出仍有誤可複數次生成或後製修飾。

431. 企業若為行銷內容引入「AI 自動產出組合」，對行銷人員定位如何？

A. 取代全部
B. 行銷人員重心從基礎撰稿轉為檢核、創意設計與策略布局
C. 無需行銷
D. 全部改業務

Answer: B
Explanation: AI 負責初步產出，行銷人員更專注於優化與策略層面，提升工作價值。

432. 在大型組織落地生成式 AI 流程時，「可讀性高的文件化流程」為何重要？

A. 不重要
B. 跨部門與新人能快速瞭解該流程規則、節點功能，減少上手時間
C. CLI
D. GPU 加速

Answer: B
Explanation: 大型組織常多人共用，流程若無清楚文檔，易混亂；文件化有助於協作與維護。

433. 哪種情況下，使用者對 AI 產生結果的信任度最高？

A. AI 全自動
B. 當 AI 能提供參考依據、來源，或是人員對結果做雙重檢核
C. CLI
D. 只看 Prompt

Answer: B
Explanation: 透明化來源或有人員審核，能增進使用者對結果的信賴感。

434. 若想在 No Code 裡執行「多階段處理」（先內容草稿，再潤色，再翻譯），哪個功能最需要？

A. 只做一次
B. 流程編排與多次 API 呼叫，將輸出遞給下一步
C. GPU
D. Random

Answer: B
Explanation: 多階段串連非常典型：草稿→潤色→翻譯都是不同模型或同模型不同 Prompt，需要多次調用接續。

435. 在「生成式 AI」導入過程中，若內部資料质量參差不齊會怎麼樣？

A. 不影響
B. 生成結果不穩定或含錯誤資訊，或引入偏見
C. GPU 更強
D. Prompt 無用

Answer: B
Explanation: 模型依賴的資料若混亂或品質低，輸出自然可能失真或不一致。

436. 「視覺化提示」（如模板預覽）在 Low Code 平台中整合生成式 AI 有何好處？

A. UI 累贅
B. 用戶能直觀看到輸出樣貌，及時調整參數或 Prompt
C. CLI 完整
D. 全自動

Answer: B
Explanation: 視覺化提示能讓用戶快速預覽生成結果與設定差異，有助於立即修正或優化。

437. 企業如果希望生成式 AI 幫內部員工寫程式片段，但員工技術參差，怎麼處理？

A. 放棄
B. 實施教育訓練並加入程式碼檢查測試，以免直接套用錯誤程式
C. 只靠 AI
D. 只人工

Answer: B
Explanation: 產出的程式碼仍要有人或工具檢測，並訓練員工理解 AI 產出以避免盲目依賴。

438. 在試用測試期間，若發現同樣 Prompt 有時輸出很優，有時很差，代表？

A. AI 不足
B. 模型隨機性高或當前 API 負載、溫度參數等影響，需增加控制或後處理
C. 無法改善
D. 全是驅動故障

Answer: B
Explanation: 生成式 AI 有隨機特性，或 API 負載時會影響品質，可調整溫度或做多次生成比對。

439. 哪種狀況最易在企業導入初期造成「部門衝突」？

A. 全部和諧
B. 部門各自用不同 AI 工具/流程，產生標準不一致、重複費用與合規隱患
C. Prompt 重複
D. GPU 不足

Answer: B
Explanation: 若部門零散部署，無統一管理，易造成流程衝突、成本重複或風險管理混亂。

440. 當企業考慮用 AI 自動生成「技術文件」，下列何者最應該審查？

A. CPU
B. 生成內容是否技術正確，是否會誤導使用者，以及版權合規
C. 不需審核
D. 雜訊

Answer: B
Explanation: 技術文件易誤導使用者或引發安全風險，因此要重視正確性與合規性。

441. 如果企業需要更貼近中文市場的生成式 AI，但所用模型對中文不佳，該怎麼辦？

A. 只能無監督
B. 選擇支援中文較好的模型或針對中文語料做微調
C. GPU 加強
D. 放棄中文

Answer: B
Explanation: 要找中文適配度高的模型或進行中文語料微調，以提升對中文的掌握度。

442. 「流程調試」在 Low Code 與 AI 整合時，指的是？

A. 不需要
B. 針對每個節點與 Prompt 設置，檢查傳入/傳出資料，確保輸出如預期
C. CLI
D. GPU 運算

Answer: B
Explanation: 流程調試意指逐步檢驗節點資料傳遞與 AI 輸出，找出問題點並修正。

443. 在企業想讓「AI自動回覆客戶郵件」的應用，中間必備關卡可能為？

A. 全自動發送
B. 先讓客戶經理審核草稿；確定後才真正寄給客戶
C. CLI
D. GPU 升級

Answer: B
Explanation: 客戶郵件風險較高，通常加人工審核，可降低錯誤或不當回覆的危害。

444. 對於生成式 AI「文本相似度檢測」，可檢測什麼？

A. CPU
B. 是否重複抄襲、相似段落，以防止文案雷同或侵犯版權
C. 只有CNN
D. 不可檢測

Answer: B
Explanation: 相似度檢測能防止重複內容或剽竊，同時確保生成內容獨特性。

445. 「部門需求多、技術人力有限」時，No Code / Low Code 與生成式 AI 結合能發揮哪種作用？

A. 不可滿足
B. 以較少程式人力為各部門快速做原型或部分自動化，增進整體效率
C. GPU 不足
D. 只會產生衝突

Answer: B
Explanation: 低程式平台讓部門可自行試做原型，減少對技術人力依賴，大幅提高開發速度。

446. 為確保「試用測試」結果真實可信，應避免哪種情形？

A. 只做理想化輸入
B. 大量採用實際用例與邊緣案例
C. 設計自動化測試
D. CLI

Answer: A
Explanation: 只做理想化輸入會掩蓋真實使用中可能出現的問題，要測各種情境才真實可信。

447. 哪個場景使用「生成式 AI」的安全風險最高？

A. 數據缺乏
B. 涉及客戶資金、個人隱私的交易行為解說
C. 只做文案
D. 只做插畫

Answer: B
Explanation: 牽涉金錢或個資的應用風險最大，需高度保護與合規。

448. 在 No Code 流程中，如果想「同時生成多個不同版本的文案」以便對比，怎麼做？

A. 不可
B. 設置一迴圈或多分支呼叫 AI，調整參數或 Prompt，收集各版本輸出
C. 只固定一次
D. 全人工

Answer: B
Explanation: 平台多支援分支/迴圈，能呼叫多次 AI 產生不同版本文案再進行對比。

449. 哪種指標最能衡量「No Code + 生成式 AI」應用在行銷層面的直接成效？

A. MSE
B. 轉換率 (Conversion Rate)、銷售成長、點擊率
C. CPU 占用率
D. AUC

Answer: B
Explanation: 行銷最直接看銷售轉化、點擊互動等 KPI，才能衡量文案產生的商業效益。

450. 「版本控制與快速回退」在 Low Code 生成式 AI 流程中扮演何種角色？

A. 不需要
B. 若新版本流程出現嚴重錯誤，可快速回退到前一穩定版本，降低停擺風險
C. 只看 CLI
D. GPU

Answer: B
Explanation: 版本管理可保留不同流程版本，一旦上線有問題，能迅速回到舊版。

451. 在客服應用，若想要 AI 回覆「富文本格式」如連結、粗體，怎麼實現？

A. 無法
B. 設定 Prompt 輸出 HTML 或 Markdown 格式，再經由介面顯示
C. 手動複製
D. GPU

Answer: B
Explanation: 可在 Prompt 指示生成 HTML/Markdown，客服前端再渲染富文本樣式。

452. 為何企業重視「Prompt 模板管理」？

A. Prompt 只能一次性
B. 讓不同部門在相同需求下可共用標準 Prompt，確保輸出品質一致
C. 不可重用
D. CLI

Answer: B
Explanation: Prompt 模板使同類需求重複使用固定格式或語氣，避免員工各自發揮產生不一致輸出。

453. 當管理層要求 AI 預先警示「不確定性」，可做什麼？

A. GPU
B. 模型回答同時給「置信度」或加後處理對可能錯誤做標示
C. 全自動
D. BERT

Answer: B
Explanation: 有些生成式 AI 可設計在 Prompt 或後處理階段標記置信度，或提示該答覆可能不準確。

454. 在合約或公文類生成時，員工擔心細節錯誤，下列作法最能降低顧慮？

A. 模型保證
B. 保留人工最終審核 + 設置特定審查規則（如禁用詞、條款參考）
C. 全自動
D. 不需文檔

Answer: B
Explanation: 保留人工最後審批且設規則檢查，才能避免要害錯誤流出，提高安全度。

455. 「Data Governance（資料治理）」在生成式 AI 中的重要性是？

A. 無關
B. 確保資料品質、權限及合規，讓 AI 能輸出更準確並避免違法
C. GPU 最多
D. 只看 CLI

Answer: B
Explanation: 資料若無治理，AI 產出品質也不穩定；同時違反隱私或合規會帶來巨大風險。

456. 企業若想要針對「舊系統」也能享受生成式 AI，No Code 如何協助？

A. 無法
B. 可在平台中建立連接器或 API 介面，將舊系統資料供 AI 使用，再將結果回寫舊系統
C. 全面替換舊系統
D. CLI

Answer: B
Explanation: 低程式平台可提供連接器或 API，讀取舊系統資料→生成→返回舊系統，無需大改底層。

457. 若企業持續擴張生成式 AI 使用範圍，但預算有限，該如何控制？

A. 不可控制
B. 設置預算警戒線與呼叫配額，並定期彙報費用
C. GPU 加大
D. 全自動

Answer: B
Explanation: 設費用與使用量上限，再定期檢視使用情況，必要時調整方案或限制呼叫。

458. 在「No Code 平台」中，如果要給行銷同事一些「Prompt 建議」，可以如何做？

A. 只口頭說明
B. 建立 Prompt 範例清單或小幫手介面，行銷人員可直接插入常用指令
C. 概念性建構
D. 不可編輯

Answer: B
Explanation: 提供可視化 Prompt 範例庫、讓行銷同事輕鬆選用與修改，可大幅降低學習門檻。

459. 哪個要素常被忽視，卻會影響「生成式 AI」的實際導入效果？

A. 介面顏色
B. 內部文化與員工使用意願，若員工不接受或不願嘗試，效果大減
C. CPU 溫度
D. CLI

Answer: B
Explanation: 企業文化和員工態度非常關鍵，不願用或排斥就無法發揮 AI 效益。

460. 「後台監控儀表板」對管理者的重要性在哪裡？

A. 無差
B. 即時看到生成次數、錯誤率、費用、當前使用者行為等資訊，便於決策調整
C. CLI
D. 不需

Answer: B
Explanation: 後台儀表板提供實時使用與成本資訊，利於管理與優化。

461. 在「初步規劃」生成式 AI 專案時，若發現必須與多個第三方系統整合，No Code 平台該具備什麼？

A. 全部內網
B. 充足連接器或可擴充 API，以便輕鬆整合第三方應用
C. CLI
D. 不可整合

Answer: B
Explanation: 企業常有多外部系統需求，若平台缺乏連接能力就很難落實。

462. 對於「No Code + 生成式 AI」流程進行壓力測試時，若出現服務崩潰，可能原因？

A. 介面換色
B. 短時間大量並發呼叫超出平台或 API 容量，需要擴容或設限流
C. Prompt 中英文
D. KPI

Answer: B
Explanation: 大量並發可能超過平台或 API 配額，出現連線失敗、延遲或崩潰，需升級或限流。

463. 哪一個動作最能讓 IT 與業務端在生成式 AI 導入上相互配合？

A. 隨意分工
B. IT 提供平台與技術支援，業務端具體描述應用需求與測試回饋，雙方定期溝通
C. 業務端自行行動
D. Prompt 全自動

Answer: B
Explanation: IT 與業務相互協作，IT 負責技術落地，業務端提出需求並做測試回饋，是成功關鍵。

464. 若企業試用某 AI 工具產生「帶有政治偏見」的文案，顯示哪個風險？

A. GPU 執行
B. 模型內建偏見或 Prompt 設計不當，需加防範與審核機制
C. CLI
D. 資料蒐集

Answer: B
Explanation: AI 可能因訓練語料帶偏見或 Prompt 不佳，需要審查、對輸出進行過濾調整。

465. 「AI 驗證」指的是？

A. CPU 超頻
B. 測試生成結果對實際業務的準確度與可行性，以確保流程無重大錯誤
C. 全自動
D. CLI

Answer: B
Explanation: 驗證指在專案中實測 AI 輸出，確認其與業務需求或正確標準相符合。

466. 當企業有多位高階主管參與生成式 AI 專案規劃時，下列哪個要點尤為重要？

A. GPU 整合
B. 統一需求目標與成功指標，避免不同主管提出互斥或不合的要求
C. CLI
D. 程式碼量

Answer: B
Explanation: 多主管易各有需求，需要明確共識與指標，否則專案方向衝突。

467. 在 Low Code 平台裡，若要實現「AI + Chatbot」的持續優化，常用的資料是？

A. GPU log
B. 聊天紀錄與使用者評分，用於改良 Prompt 或檢索策略
C. CLI
D. PMF

Answer: B
Explanation: 留存聊天紀錄及評分，可分析問題與回覆效果，不斷微調 AI 生成機制。

468. 哪種錯誤在生成式 AI 中難以被自動偵測？

A. 拼字
B. 邏輯或事實錯誤（幻覺內容），需人工或外部資料審查
C. 只看 prompt
D. 介面渲染

Answer: B
Explanation: 幻覺的事實錯誤通常無固定樣式，需人工或特定檢索比對才發現，難以全自動辨識。

469. 企業若採用公有 API 進行生成式 AI，但擔心成本飆升，該怎麼防範？

A. 不可
B. 設定呼叫上限或監控機制；若達一定量就暫停或警示管理員
C. CLI
D. GPU 增加

Answer: B
Explanation: 要有監控配額及警示，一旦使用量接近門檻，及時通知或暫停呼叫，防止費用失控。

470. 哪個例子最能描述「Partial Automation」策略？

A. 全自動
B. 生成式 AI 出草稿，員工複審後發送或保存
C. CLI
D. 零自動

Answer: B
Explanation: 部分自動化由 AI 先出初稿，人員審核後再繼續流程，即兼顧效率與品質。

471. 在合規審核上，若 AI 生成包含外部受版權保護的資料怎辦？

A. 直接放行
B. 覆核再審，看是否侵權或可引用；若違法則過濾替換
C. CLI
D. GPU 升級

Answer: B
Explanation: 要檢查該內容是否受版權限制，若不符合法規須替換或刪除，以免侵權風險。

472. 哪種指標能客觀比較兩種生成式 AI 文案對行銷成效的差異？

A. K-Means
B. A/B 測試對照後的點擊率、轉化率或客戶回饋
C. CLI
D. GPU 記錄

Answer: B
Explanation: A/B 測試能定量比較兩文案在實際市場中哪個更有效。

473. 在「No Code」流程中若要避免不熟悉者誤改關鍵 Prompt，怎樣設定？

A. 不可
B. 平台角色權限：限制只有特定管理者能編輯核心 Prompt
C. 大家隨意
D. CLI

Answer: B
Explanation: 授權機制可限制誰能改動 Prompt，降低風險導致流程被破壞。

474. 若企業希望 24 小時自動對外提供 AI 服務，但偶有平台維護，下列哪個策略最適合？

A. 不做備援
B. 多家模型/平台切換或備援機制，維護期間能自動轉至備援
C. CLI
D. Random

Answer: B
Explanation: 建立備援與多路切換可確保某個平台維護時不影響服務連續。

475. 「Prompt 市集」在企業內部扮演什麼角色？

A. 沒作用
B. 分享常用 Prompt 與範例，部門可互相借用與改良，減少重複試錯
C. CLI
D. GPU

Answer: B
Explanation: Prompt 市集讓人快速找到可用模板/範例，提升協作與效率。

476. 在導入計劃時，若發現生成式 AI 工具的開發廠商缺乏售後支持，會帶來何影響？

A. GPU 可解
B. 一旦碰到難題或 BUG，企業難以解決，浪費時間或中斷專案
C. 全部自解
D. 兼容

Answer: B
Explanation: 若廠商售後不足，遇上技術與合規問題企業無法及時排除，影響專案推進。

477. 若要 AI 每天自動「偵測競爭對手新產品並生成簡報」，需要？

A. CLI
B. 流程含爬蟲或檢索對手資訊 → AI 摘要與編排 → 自動匯出報告 → 發送管理層
C. 全部人工
D. GPU

Answer: B
Explanation: 透過爬蟲/檢索蒐集對手資訊，經 AI 整理再自動輸出與通知，是典型應用。

478. 哪種做法最能讓生成式 AI 出錯時快速警示管理者？

A. 只有日後回顧
B. 在流程中對輸出可做檢查，若違規或錯誤率超標，立即發警告通知
C. CLI
D. 不設定

Answer: B
Explanation: 自動化流程若偵測錯誤或違規狀況，發出即時通知給負責人以便立即處理。

479. 「後端流程」對於使用者不透明是否會有風險？

A. 無風險
B. 若後端生成內容不受控，使用者難以確認正確性，可能引發信任或合規疑慮
C. GPU 升級
D. CLI

Answer: B
Explanation: 不透明的後端讓使用者無法知道結果如何產出或審核是否健全，容易產生質疑或風險。

480. 企業若多語使用生成式 AI，卻僅有中文人員該怎辦？

A. 強制英文
B. 在 Prompt 中指令生成英文或其他語言，若有不確定可自動翻譯回中文複核
C. GPU
D. CLI

Answer: B
Explanation: 可用雙向翻譯與多語 AI 做協助，中文工作人員也能生成多語結果並審閱。

481. 「社群媒體即時監測 + AI 快速回應」代表什麼應用？

A. 生成式 AI 自動觀測社群關鍵字，若有負評或提到產品就生成回應並發布
B. K-Means
C. GPU
D. CLI

Answer: A
Explanation: 這是實時互動場景：監測關鍵字→AI 回覆，能快速處理社群訊息。

482. 哪個特徵讓「No Code」在生成式 AI 初期導入中大放異彩？

A. 深度維護
B. 視覺化快速搭建流程，部署 MVP，高效測試需求合理性
C. GPU
D. 無關

Answer: B
Explanation: 視覺化快速開發非常適合初期嘗試，可驗證需求再做深度開發。

483. 若員工反映 AI 生成錯字率過高，下列哪個因應較可行？

A. 提高 GPU
B. 在 Prompt 要求檢查拼字或加「拼字檢查」API 後處理
C. 放任
D. CLI

Answer: B
Explanation: 加入指定「正確拼寫」提示或做二次檢查工具，可降低錯字率。

484. 在「合規內控」角度，為何要留存生成式 AI 的呼叫日志與輸出結果？

A. 占用空間
B. 方便事後稽核、檢討錯誤或應對外部調查
C. CLI
D. GPU

Answer: B
Explanation: 保留日誌可在事後調查，若出現違規或爭議可追溯，用於內部合規或外部審計。

485. 哪一類用途不太適合使用生成式 AI？

A. 文案創作
B. 定量統計分析（如財務報表計算）
C. 影像合成
D. 口語腳本

Answer: B
Explanation: 生成式 AI 主要負責創作或文本輸出，定量統計常用傳統運算更精準省成本。

486. 在大規模員工試用中，發現部分人員誤傳機密資料做測試，應如何管控？

A. 沒法
B. 設定平台敏感詞或類似檢測，阻擋上傳機密資訊；定期稽核操作行為
C. GPU 增加
D. CLI

Answer: B
Explanation: 企業可加裝敏感資料檢測與稽核機制，避免不當操作洩漏機密。

487. 哪個特點顯示「生產級」的 No Code / Low Code 平台？

A. 僅限個人使用
B. 提供多租戶管理、安全控管、版本管理與擴充性插件
C. 無法客製
D. CLI

Answer: B
Explanation: 企業或生產級需安全、多租戶、版本等管理功能，支援大規模協作與穩定性。

488. 在「需求確認」時，若多部門想同用生成式 AI 流程，應該怎樣整合？

A. 全部獨立
B. 找共同需求做基礎流程，差異部分可另設子流程或條件式分支
C. 放棄合流
D. CLI

Answer: B
Explanation: 共同需求可用一個基礎流程，細節差異用分支處理，能提高資源利用與一致性。

489. 為何稱「Prompt 工程」是生成式 AI 的關鍵環節？

A. 不重要
B. Prompt 決定模型理解什麼，若寫得不佳，輸出便偏差或無法達預期
C. CLI
D. GPU

Answer: B
Explanation: 生成式模型依賴 Prompt 指令，若指令表達不準確，常導致結果差。Prompt 工程至關重要。

490. 哪個例子顯示「No Code」可讓非技術人員自行細調生成流程？

A. 必須程式
B. 主管可在平台上拖拉節點，設定 Prompt 與參數，不用寫程式碼
C. CLI 全程
D. GPU

Answer: B
Explanation: 無程式背景的人員也能用圖形化介面自訂流程細節，這正是 No Code 的價值。

491. 當行銷部門反映「AI 圖片很美但文件說明不足」，可能指？

A. CLI
B. 生成圖像漂亮，但文字/說明不夠詳盡，需要 Prompt 同時產生可讀描述
C. GPU
D. 提示過度

Answer: B
Explanation: 生成式 AI 圖像可加上文字描述（如用途、風格意圖），避免只產圖卻沒說明。

492. 企業若想「打包」No Code + 生成式 AI 流程成一個 SaaS 對外提供，需注意？

A. 全自動
B. SaaS 安全與客戶資料合規、流量彈性、對客戶需求的客製支援
C. CLI
D. GPU 增量

Answer: B
Explanation: 要成 SaaS 就要兼顧多客戶安全、合法與彈性擴充，避免單一租戶暴增使系統爆炸。

493. 哪個做法能使生成式 AI 在產出同一類型文案時保持「關鍵字」穩定重複？

A. 不可行
B. 在 Prompt 中固定關鍵詞清單，或後處理插入關鍵詞
C. 只用 GPU
D. CLI

Answer: B
Explanation: 可在 Prompt 明確指定某些關鍵字必須出現或後處理插入，確保一致。

494. 當企業想從別家平台切換至新的 No Code/AI 方案，最常見困難是？

A. 無困難
B. 既有流程難以移植、Prompt 範本不兼容，新平台 API 與介面不同，需要再開發
C. GPU
D. CLI

Answer: B
Explanation: 平台切換常面臨流程與 Prompt 不兼容，需要重新適配或重做部分邏輯。

495. 為何「測試多種模型」在試用階段意義重大？

A. 測試繁瑣
B. 不同模型對語言、風格、速度或費用的表現差異大，可幫助選到最適合的
C. CLI
D. GPU 不是

Answer: B
Explanation: 多模型比較能找出最符合該應用場景需求的服務，避免後續升級或重做。

496. 在客戶導向應用中，若要及時了解 AI 回覆品質，可怎麼做？

A. CLI
B. 加上使用者即時評分或回饋按鈕，如「這個回答是否有幫助？」
C. Prompt 工程
D. GPU

Answer: B
Explanation: 即時評分讓企業持續蒐集回饋，迅速優化 AI 生成效果。

497. 「個性化推薦」與「生成式 AI」結合時，最簡單的架構是？

A. CLI
B. 先根據用戶偏好生成專屬 Prompt，再呼叫 AI 工具做文案或商品推薦
C. 不可結合
D. GPU

Answer: B
Explanation: 可先抓取用戶偏好資料組合 Prompt，AI 針對該用戶產生個人化內容。

498. 在 No Code 上對生成式 AI 的「Logging」有何效用？

A. 只耗資源
B. 能追蹤每次呼叫的輸入 Prompt、輸出結果、用時，方便排錯與改進
C. CLI
D. GPU

Answer: B
Explanation: Logging 可供檢視問題及優化方向，如發現某 Prompt 導致失敗可快速定位。

499. 若企業對影像生成工具的「版權」條款不明，卻急於量產廣告圖，有何風險？

A. 介面好看
B. 可能遭原創作者或模組作者追究版權侵權責任
C. Prompt 無關
D. 全部安全

Answer: B
Explanation: 圖像版權風險高，若條款模糊則廣告圖用於商業用途時易侵權。

500. 「維運」若要持續最少一年，企業應準備什麼？

A. 單次調試
B. 預估 API 或模型費用的年度預算、團隊維護或外部支持、升級計畫及合規審核週期
C. 只靠員工興趣
D. CLI

Answer: B
Explanation: 長期維運需穩定預算、維護人員或外部支持、合規與版本升級計畫，確保專案持續健康運作。

501. 在企業推廣「No Code + 生成式 AI」時，哪種溝通方式可最快讓員工理解價值？

A. 詳細理論文件
B. 直接展示能解決業務痛點的簡易 Demo，並演示操作流程
C. 只發公告
D. 提高 GPU

Answer: B
Explanation: 透過可視化 Demo 展現實際應用成果，比純理論更能讓員工直觀理解 AI 功能與優勢。

502. 若某部門的行銷人員頻繁更改 Prompt 導致文案風格不穩定，該如何控管？

A. 不需控管
B. 設計「Prompt 模板」及編輯規則，或讓資深人員把關，使風格保持一致
C. 放任自由
D. 全部封閉

Answer: B
Explanation: 通過模板或指引、審核制度，能在保持創意彈性的同時避免風格過度分散。

503. 在合規考量下，下列哪個行為比較安全？

A. 直接將客戶身分證掃描上傳公有AI
B. 先脫敏處理或只提供必須資訊給AI，避免傳送完整個資
C. 無限制
D. 只用 CLI

Answer: B
Explanation: 傳輸敏感訊息前需去除個資（脫敏），才能有效降低洩漏風險並符合隱私法規。

504. 對於「專案導入後」，若沒人維護 No Code 流程，可能出現何問題？

A. 項目自動更新
B. 流程老化或故障時無人修復，用戶需求改變也無法及時調整
C. 完全不影響
D. GPU 會自動增長

Answer: B
Explanation: 流程若無專人維護，隨時可能因系統更新或需求變更而失效或不合用。

505. 哪種情況適合「一開始就大範圍上線」生成式 AI？

A. 不需要合規
B. 需求明確、測試充分，風險可控的情況下可立即擴大規模
C. Prompt 工程
D. CLI

Answer: B
Explanation: 若測試驗證效果和風險都可控，則能快速大範圍上線；否則建議先小規模試點。

506. 如果行銷希望一次生成大量多語社群貼文，但對翻譯精度要求高，應加什麼機制？

A. 只靠 AI 自發
B. 結合翻譯審校流程或中英文對照檢查，以確保多語翻譯品質
C. 無法
D. GPU

Answer: B
Explanation: 嚴格翻譯需求下，可用雙語對照檢查或先用 AI 再人工審校，提高精度。

507. 「MVP（Minimum Viable Product）」在生成式 AI 專案意味著什麼？

A. 完整產品
B. 一個最小功能可測試的初版流程（如簡易文案生成），用以驗證需求與效果
C. 只做訓練
D. 不需概念

Answer: B
Explanation: MVP 是最小可行產品，聚焦核心功能先行驗證，有需求才進一步開發。

508. 如果企業有多重資料來源（CRM、ERP），要在 AI 輸出中整合資訊，下列哪個做法較可行？

A. 只用單一來源
B. 先於 No Code 流程收集並合併多來源資訊，再帶入 Prompt 使 AI 生成整合結果
C. CLI
D. 不可整合

Answer: B
Explanation: 需在流程中先提取各系統資料，彙整後作為 AI 輸入，得到一份綜合輸出。

509. 為何要在生成式 AI 流程裡設「錯誤分支」？

A. 沒必要
B. 若 API 呼叫失敗或生成結果不符合格式，可走錯誤分支提醒管理員或做重試
C. CLI
D. GPU

Answer: B
Explanation: 發生異常需處理或通知，而不是整個流程直接卡住，提升系統穩定度。

510. 哪一種做法能提升「No Code + 生成式 AI」應用中對外溝通的一致性？

A. 不注重風格
B. 在 Prompt 內指定企業統一風格、語氣或關鍵詞，並建立固定模板
C. Prompt 放任
D. 全自動

Answer: B
Explanation: 明確定義統一風格與關鍵詞能確保外界看到的內容始終保持品牌一致性。

511. 企業若打算「客製化」一些生成式 AI 功能，但平台無法支援，最直接的解法？

A. 放棄
B. 使用平台的可插程式碼介面或外部微服務進行延伸，若仍不足就考慮轉換或自建
C. CLI
D. GPU

Answer: B
Explanation: 先利用平台擴充功能，若無法滿足再評估換方案，否則無法完成客製需求。

512. 哪個例子屬於「雙向翻譯 + AI 潤飾」？

A. 僅中文
B. 一段中文→翻譯成英文→AI潤飾→翻譯回中文檢查→最終輸出英文版
C. GPU
D. K-Means

Answer: B
Explanation: 雙向翻譯確保翻譯與原意匹配，並透過 AI 作潤飾，最終產出更優質文本。

513. 在試用測試若蠻多員工抱怨學習曲線高，能如何優化？

A. 不理會
B. 提供更多教學範例、簡化流程介面、增設小幫手提示
C. CLI
D. GPU

Answer: B
Explanation: 降低學習門檻可提升使用意願，如加範例、介面引導、提示等。

514. 「分階段上線」策略在生成式 AI 中的好處是？

A. 耗時更長
B. 先讓小部分用戶或一兩個業務領域使用，逐步擴大，能及時修正問題
C. 直接全上
D. 不可實施

Answer: B
Explanation: 分階段推出可控制風險，每次擴大使用都能在前階段基礎上優化。

515. 為什麼需要針對「生成式 AI」進行安全滲透測試？

A. 無需
B. 檢查是否會被惡意利用（SQL 注入、Prompt Injection）或洩漏敏感資訊
C. GPU 加速
D. CLI

Answer: B
Explanation: 生成式 AI 有新型攻擊方式（如 Prompt Injection），要做滲透測試避免安全隱患。

516. 如果組織內同時有多個生成式 AI 專案，管理層擔心重複投資？

A. 沒關係
B. 建立中心化或共享平台，形成可重用基礎服務，減少部門各自重複開發
C. 限制全部
D. CLI

Answer: B
Explanation: 中心化 AI 平台可支援多部門需求，共享技術與資源，避免重複成本。

517. 「人性化回覆」在 AI 客服中如何實現？

A. 無需
B. 在 Prompt 中指定友善語氣及替代詞，並教 AI 回應常見客戶感受
C. GPU
D. 全自動

Answer: B
Explanation: 生成式 AI 受 Prompt 影響，可指定友善、同理心語氣，再加上常見情境教學，讓回覆更人性化。

518. 若行銷活動需要圖像 + 文案「聯動」，該怎麼做？

A. 各自產
B. 設計 No Code 流程先呼叫圖像生成 API，再將圖像資訊帶入文字 Prompt 或反之
C. 只做文字
D. CLI

Answer: B
Explanation: 圖文聯動可先產圖，然後文本描述；或先文本再生成圖，都能在流程中串接。

519. 哪種做法可以減少員工誤用公有生成式 AI 而導致機密洩露？

A. 全部自由
B. 在內網設計私有或受控的 AI 平台，禁止直接連公有服務，並做稽核
C. 只看 GPU
D. 提高 CLI 障礙

Answer: B
Explanation: 若企業自己提供受控平台，就能減少員工自行上公網 API，上傳機密風險。

520. 「用戶回饋」對 Prompt 工程的幫助在哪裡？

A. Prompt 固定
B. 用戶會指出哪裡生成不準確，工程師可微調 Prompt 以持續優化輸出
C. CLI
D. 不必

Answer: B
Explanation: 透過回饋能找出 prompt 的問題點，改進指令設計進而優化輸出。

521. 在規劃中，若企業高層擔心「AI 會取代員工」，可怎麼溝通？

A. 迴避
B. 強調 AI 取代重複性工作，員工能轉向更高價值任務，同時安排再培訓
C. 全員下崗
D. CLI

Answer: B
Explanation: 要說明 AI 與人員可互補，減少重複性工作，安排員工去做更有創造性的工作。

522. 哪一種 KPI 最能衡量「AI 文案」在行銷環節的真實效益？

A. BLEU
B. 實際轉換率、客戶互動數據、銷售增幅
C. GPU 負載
D. CLI

Answer: B
Explanation: 行銷文案最終指標還是轉換或銷售數據，能直接反映產出的商業成效。

523. 若要讓 HR 部門用 AI 產生面試評估表，但又擔心 AI 出錯，該如何？

A. 全自動
B. HR 可審閱 AI 生成的評估表，再做最終調整並存檔
C. 放棄 AI
D. CLI

Answer: B
Explanation: 半自動化，AI 產生成品，HR 專家再檢查與修訂，確保內容可靠。

524. 「持續優化」在生成式 AI 流程中通常指什麼？

A. 一次調完
B. 針對回饋、錯誤紀錄定期檢討 Prompt、流程、模型版本，讓輸出越來越精準
C. GPU 加倍
D. CLI

Answer: B
Explanation: AI 需求是動態的，需定期微調與升級，確保輸出質量不斷提高。

525. 為何企業常在 No Code / Low Code + AI 應用中設「身份驗證機制」？

A. 不用
B. 確保只有授權者能調用 AI 流程，避免誤用或費用爆炸
C. GPU 高
D. CLI

Answer: B
Explanation: 身份驗證可控管誰可存取 AI 功能，也可與費用、資料保護管理結合，提升安全。

526. 當企業希望「AI 直接讀取 Slack 訊息再回覆」，怎麼實現？

A. 無法
B. 透過 Slack API 與 No Code 流程串接，把訊息內容轉給 AI，回覆再送回 Slack
C. CLI
D. GPU

Answer: B
Explanation: Slack 提供 API，可把收到的訊息傳給 AI， AI 回覆再推回 Slack 頻道。

527. 哪一種設計可降低生成式 AI 對於數值計算的錯誤率？

A. 不可降低
B. 由 AI 負責所有計算
C. 在流程中先用傳統程式或表格公式算數值，再交給 AI 做文字解說
D. CLI

Answer: C
Explanation: AI 擅長文字生成，數值計算用傳統程式更準，分工可減少錯誤率。

528. 「數據增強」在生成式 AI 應用中常見於？

A. 提升 GPU
B. 若企業想微調模型，但資料不足，可用擴充或合成手法增加訓練樣本
C. CLI
D. 不可增強

Answer: B
Explanation: 若領域資料不多，會考慮合成或增強技巧來擴充數據，提高微調效果。

529. 當行銷要求 AI 產出 5 種以上不同口吻的文案，No Code 流程該怎麼做？

A. 只一次
B. 設分支或迴圈分別指定不同風格 Prompt，依序產出多版本給行銷選擇
C. CLI
D. GPU

Answer: B
Explanation: 多次呼叫 AI，對應不同風格 Prompt；No Code 流程中可用分支/迴圈自動生多版本。

530. 什麼情況會阻礙員工投入「No Code + AI」專案？

A. 介面太美
B. 缺乏技能訓練、不知道如何設計 Prompt 及操作流程
C. CLI
D. GPU 過載

Answer: B
Explanation: 員工若沒受訓，不懂 Prompt 及流程編排，可能排斥或不會使用。

531. 若生成式 AI 須執行重要決策分析，最好怎麼處理？

A. 放手讓 AI 決定
B. 生成報告供決策者參考，再由人類最終裁定
C. 全程 GPU
D. CLI

Answer: B
Explanation: 重要決策應保留人工判斷；AI 提供參考意見即可，降低風險。

532. 「分散式流程」在 No Code 中指什麼？

A. CLI
B. 不同子流程部署於不同環境或服務，但可透過介面彼此呼叫
C. GPU 負載
D. HPC

Answer: B
Explanation: 分散式代表流程拆成多服務或區塊，各自運行，再以介面連結協同。

533. 哪個操作可提升 AI 圖像生成的「品牌一致性」？

A. 無法
B. 預先輸入品牌調色板、示例圖案、指定構圖元素，或微調模型到品牌素材上
C. CLI
D. GPU

Answer: B
Explanation: 透過設計 Prompt 或微調模型，使產出的圖像更符合品牌元素與風格。

534. 在初期測試中發現用戶只使用一小部分功能，大部分功能被忽略，代表什麼？

A. GPU 固定
B. 可能需求跟設計有落差，應簡化或刪除冗餘功能，聚焦於用戶實際需要
C. CLI
D. Prompt 固定

Answer: B
Explanation: 許多功能被棄用表示浪費資源或與需求不符，可優化或移除以精簡專案。

535. 「敏感信息輸入檢測」屬於生成式 AI 中哪個層次？

A. Prompt
B. 安全合規層，避免機密數據外洩或違法使用
C. CLI
D. GPU

Answer: B
Explanation: 屬安全/合規管控範疇，用於審核輸入訊息是否包含敏感資料。

536. 針對管理層「想看 AI 帶來多少人力時效提升」的需求，怎麼評估？

A. 無法
B. 對比導入前後或試用組、對照組的工作耗時、效率指標
C. GPU
D. CLI

Answer: B
Explanation: 看AI前後人力或時間成本差異，即可得到人力效率提升幅度的客觀指標。

537. 哪個原因會導致「同款模型在不同 No Code 平台上效果有差」？

A. CLI
B. 平台對參數控制、流程編排、後處理機制不同，Prompt 模板細節也可能各異
C. GPT 參數
D. HPC

Answer: B
Explanation: 雖是同一模型，但平台實現方式、參數設定、Prompt 都會產生差異。

538. 在試用階段若發現外部 AI API 時好時壞，企業該怎辦？

A. 全棄用
B. 規劃備援方案或選擇不同服務分散風險，並設定重試機制
C. CLI
D. GPU

Answer: B
Explanation: 若外部服務不穩，可加備援供應商或重試邏輯，避免關鍵流程掛掉。

539. 哪種情況適用「資料庫查詢 + AI」的混合設計？

A. CLI
B. 需要先確定數值等精準結果，再用 AI 做解釋或摘要
C. 純生成
D. GPU

Answer: B
Explanation: AI 做文案描述，而精準數據或統計則從資料庫查詢結合，確保正確度。

540. 有些使用者在生成式 AI 工具中想輸入大量文字但平台有限制？

A. 不可變
B. 需拆分文本或選擇支援較大 Token/context 的模型，或針對平台做升級
C. CLI
D. GPU

Answer: B
Explanation: 平台或模型對一次可處理文字有限制，可能須分割輸入或升級更大上下文的模型。

541. 哪個做法能保障「生成式 AI」長期維護時不被頻繁人事異動影響？

A. 不可避免
B. 設置詳細文檔、流程註解、版本管理及培養多名接班人
C. GPU 擴大
D. CLI

Answer: B
Explanation: 詳細紀錄與多人成熟接手機制，能避免主要維運者離職就出現斷層。

542. 想在 Low Code 中一次呼叫多個生成式 AI API 同時對比輸出，哪個功能必備？

A. CLI
B. 並行或分支節點，將相同輸入同步傳給多個 API，再匯總或顯示結果
C. GPU
D. 只可單流程

Answer: B
Explanation: 分支或並行節點可同時呼叫多模型，再將結果匯總方便對照。

543. 當行銷使用 AI 產生劇本，法務表示需確認內容合規，實務上怎操作？

A. 完全拆開
B. 在流程後面插入法務審核節點或文字過濾模塊，待確認再完成發布
C. CLI
D. GPU

Answer: B
Explanation: 與法務合作，在流程加入審核或過濾模塊，確保內容先審再發。

544. 哪種情況下，「AI 幻覺」導致的危害最大？

A. 無對外影響
B. 產出錯誤資訊被公眾引用，引發重大誤導或法律責任
C. GPU
D. CLI

Answer: B
Explanation: 如果對外發表錯誤資訊且被大眾引用，可能引發名譽損害或法律問題。

545. 在企業導入時，哪個角色最適合主導「Prompt 模板管理」？

A. 全自動
B. 具有該領域業務背景的人員 + 對 AI 原理有基本認識的人，協同掌控
C. GPU 工程師
D. CLI

Answer: B
Explanation: 需要同時懂業務與 AI，才能設計有效 Prompt 模板，確保正確性與可用性。

546. 「API 管理」在 No Code + 生成式 AI 中扮演什麼角色？

A. 無任何意義
B. 統一管理生成式 AI 呼叫的金鑰、限流、錯誤重試及日誌
C. GPU 監測
D. CLI

Answer: B
Explanation: API 管理可集中控管憑證、流量與錯誤機制，避免資源濫用與紀錄散亂。

547. 在 MLOps 思維下，「模型監控」含哪些面向？

A. 只看 CLI
B. 輸出品質、使用量、錯誤率、潛在偏移與合規，皆需持續追蹤
C. 全由 GPU
D. 不需監控

Answer: B
Explanation: MLOps 需檢視模型在實際應用的各種表現與資源使用情況，並及時調整。

548. 哪個常見原因使生成式 AI 「翻譯部分文字」時出現中英文混雜？

A. CLI
B. 模型對特定專有名詞或詞彙自動保留原語言，Prompt 設定不佳
C. GPU
D. 全自動

Answer: B
Explanation: 某些名詞或說法模型預設保留英文，需在 Prompt 指定完整翻譯或保留哪些詞。

549. 「跨平台整合」在企業推行生成式 AI 代表什麼？

A. CLI
B. 整合多系統（ERP/CRM/人事系統）與外部服務，共享 AI 能力於各工作流程
C. GPU
D. 無連結

Answer: B
Explanation: 跨平台可讓不同系統都能使用生成式 AI，使組織內流程協同更順暢。

550. 當管理層希望了解專案報告也可由 AI 提供「風險評估」，需要？

A. CLI
B. 結合企業風險資料庫，AI 分析後給出簡要風險評估與對應措施
C. GPU
D. BFS

Answer: B
Explanation: AI 需有風險評估資料或依據，整合後可產生簡報或報告，提供管理層參考。

551. 在 No Code 平台對「生成式 AI 流程」做效能優化，可從哪裏下手？

A. 介面美觀
B. 減少不必要呼叫、優化 Prompt、提高並發處理效率、設定適當緩存
C. CLI
D. GPU

Answer: B
Explanation: 常見做法：優化流量、減少冗長生成，使用快取等提高整體效能。

552. 哪個風險顯示出「Prompt Injection」的危害？

A. CLI
B. 惡意指令騙 AI 洩漏內部資訊或執行不當操作
C. GPU
D. BFS

Answer: B
Explanation: Prompt Injection 攻擊透過巧妙輸入導致 AI 暴露機密或執行違規動作。

553. 在企業若想大量生文案，但需確保「避免重複與抄襲」，該如何？

A. 全自動
B. 設定溫度或生成參數提高多樣性，及重複檢測、引用檢測
C. CLI
D. GPU

Answer: B
Explanation: 提高多樣性並加入反重複檢查與抄襲檢測，可降低內容重複度。

554. 假設某 No Code 平台會自動記錄所有用戶輸入，這對隱私而言會有何影響？

A. 更好追蹤
B. 若未明確告知與保護，可能違反隱私規範或導致資料濫用
C. GPU
D. CLI

Answer: B
Explanation: 平台默默記錄用戶輸入涉及隱私資訊，要符合隱私告知與使用規範才行。

555. 若企業導入「生成式 AI + Chatbot」，結果維運一段時間發現問題解法太死板，原因是？

A. Chatbot
B. Prompt 設計過於固定或檢索層資料不足，使回答無法靈活應對多樣提問
C. CLI
D. HPC

Answer: B
Explanation: 需動態 prompt 或擴充資料庫，否則回答死板缺少適應性。

556. 哪個指標能衡量「行銷圖像生成」對社群貼文的吸引度？

A. MSE
B. 點擊率、分享量、互動數或瀏覽時長
C. CLI
D. GPU

Answer: B
Explanation: 行銷圖像成效通常以用戶互動、點擊、分享率等社群數據衡量。

557. 若已建立「No Code + AI」流程，但隨業務擴張想改用更強的深度模型，需要怎做？

A. 無法
B. 替換流程中原模型 API，並在 Prompt/後處理調整，確保相容
C. CLI
D. 放棄

Answer: B
Explanation: 只需在流程配置改用新模型接口，並適度調整 Prompt、參數、後續步驟即可。

558. 哪個特性可讓「No Code + 生成式 AI」在內部培訓中被大量使用？

A. CLI
B. 隨時可視化展示AI如何生成教案或示例，並允許學員自行操作體驗
C. GPU
D. 只理論

Answer: B
Explanation: 可視化易於展示與操作，員工更易在培訓中親身體驗 AI 如何運作。

559. 如果平台同時支援「文本與音訊生成」，企業想用於宣傳影片旁白，該怎麼串接？

A. 不可
B. 流程：輸入宣傳主題→文字生成腳本→音訊生成工具把腳本轉成語音→匯出
C. CLI
D. GPU

Answer: B
Explanation: 先生成稿，再透過 TTS 或音訊生成 API 產生旁白音檔，即可整合於影片。

560. 哪種做法可以強化「No Code」對複雜合規檢查的能力？

A. 不可
B. 透過規則引擎或自訂程式碼插件，在生成後做詳細合規檢查
C. CLI
D. BFS

Answer: B
Explanation: 平台可支援規則引擎或客製程式，以對輸出做更複雜的合規檢驗。

561. 在試用測試中，若發現流程速度明顯不足，哪個先檢查？

A. 介面樣式
B. API 呼叫延遲、網路帶寬或流程設計中是否有冗長步驟
C. CLI
D. GPU

Answer: B
Explanation: 先檢查網路、API、流程冗長問題，找出瓶頸再行優化。

562. 企業若關心「歷史對話分析」，可於生成式 AI 流程做什麼？

A. 不可
B. 存儲每輪對話與輸出到資料庫，後續可做統計或語意分析
C. 全自動刪除
D. GPU

Answer: B
Explanation: 將對話過程與輸出記錄儲存，便於後續分析、優化或稽核。

563. 「人員培訓成本」在生成式 AI 專案預算中不可忽視的原因？

A. 不需人員
B. 若無培訓，員工可能不會用或用錯，無法發揮工具價值
C. CLI
D. GPU

Answer: B
Explanation: 員工需懂 Prompt 基礎與操作流程，否則工具成效受限，培訓成本須列入預算。

564. 若模型偶爾生成含色情或暴力內容，平台可怎麼避免此類不當輸出？

A. 不可避免
B. 利用敏感詞與圖片過濾機制，或在 Prompt 及後處理中限制此類題材
C. CLI
D. GPU

Answer: B
Explanation: 設置敏感詞、違規檢查是常用做法，可在後處理或 Prompt 層面預防違規內容。

565. 哪種情形下適合選擇「私有化大模型」？

A. 無隱私需求
B. 資料高度機密或合規嚴格，外部API無法滿足；且企業具足夠資源（硬體+人力）自建維運
C. 只看介面
D. GPU 太少

Answer: B
Explanation: 私有化雖成本高，但合適需高隱私或合規要求、企業亦有資源支撐。

566. 面對多語需求，若模型主要是英文，其他語言效果差，最常見替代？

A. 降低要求
B. 先翻譯成英文再用AI生成，再翻譯回目標語言；或換支援多語的模型
C. 直接無法
D. CLI

Answer: B
Explanation: 可透過翻譯搭配英文模型，或尋找多語模型來解決多語文本生成問題。

567. 哪個策略可防止「AI 連續生成類似垃圾文案」？

A. CLI
B. 在流程設計中監測相似度或重複率，若達閾值則中斷或調整 Prompt
C. GPU 加強
D. BFS

Answer: B
Explanation: 檢測相似度可避免大量重複內容，並及時更改 Prompt 或做其他處置。

568. 若採用公有雲生成式 AI，其「服務終止或漲價」對企業有何影響？

A. 無影響
B. 可能造成無法使用或成本陡增，需提前備援或新方案
C. CLI
D. GPU

Answer: B
Explanation: 公有雲服務若終止或價格暴漲，會衝擊企業應用穩定性與預算。

569. 為什麼「員工使用感受」在導入成敗中舉足輕重？

A. 只看技術
B. 若使用者不滿意、不信任，就算技術好也難落地推廣
C. CLI
D. GPU

Answer: B
Explanation: 需要員工信任與滿意度，否則再先進的技術也可能被排斥而失敗。

570. 哪個做法最能減少「AI 產生錯誤建議」卻被管理層誤用？

A. 全部接受
B. 建立結果標註機制，如「此內容僅供參考」，並有最終審批流程
C. CLI
D. BFS

Answer: B
Explanation: 標注說明並加上最終審批，可提醒管理層此為AI意見，需要人工判斷。

571. 在 No Code 平台開發「對話型」生成式 AI 時，要如何處理大量同時連線？

A. 不可
B. 需確保平台後端或外部 API 具備負載均衡與彈性擴充機制
C. CLI
D. GPU

Answer: B
Explanation: 大量並發時要有負載均衡或雲端彈性擴展，否則服務易崩潰。

572. 若對顧客服務流程做半自動化，使用者提出特殊問題怎辦？

A. 全自動
B. 流程設計轉人工支援分支，讓專業客服接手複雜問題
C. CLI
D. GPU

Answer: B
Explanation: 半自動化包含某些問題交給AI，一旦AI無法處理或風險高，就轉人工處理。

573. 「可復現」對於生成式 AI 具有哪些挑戰？

A. 無差
B. 生成式 AI 帶隨機性，若要固定結果，需設定相同溫度、種子並保持流程一致
C. 全自動
D. BFS

Answer: B
Explanation: 隨機性使同樣 Prompt 也可能輸出不同內容，須固定參數與條件才能復現近似結果。

574. 當企業要全渠道（官網、App、Chatbot）都使用相同 AI 回覆，No Code 流程如何應對？

A. 只支援單一
B. 設計多通路輸入節點，共享核心生成節點與一致的 Prompt/規則
C. CLI
D. GPU

Answer: B
Explanation: 可在流程裡為不同入口設置入口節點，但最終呼叫相同 AI 模組、使用相同 Prompt 保持一致性。

575. 若行銷發現 AI 圖像生成常「失真背景」，該怎辦？

A. 無解
B. 提高 Prompt 精度（明確描述背景）或多次生成挑選最佳；也可二次修圖處理
C. CLI
D. BFS

Answer: B
Explanation: 圖像生成失真可在 Prompt 更詳細、或生成多張再選，後製修圖亦是補救。

576. 「Prompt 模板化」有何意義？

A. 無意義
B. 讓同類需求可用同一模板，只改部分參數，即可快速產生一致輸出
C. 只看 CLI
D. BFS

Answer: B
Explanation: 模板化能大幅減少重複撰寫 Prompt，提升效率並保持輸出一致。

577. 哪個做法能讓生成式 AI 能「辨識企業產品名稱」？

A. 全憑運氣
B. 在 Prompt 裡提供企業產品清單或對該模型進行領域知識微調
C. CLI
D. BFS

Answer: B
Explanation: 需在 Prompt 提供清單或於微調中輸入產品資料，才能精準辨識品牌或產品名。

578. 當管理層要求「可做A/B/C多版本測試」，對 No Code / Low Code 的需求是？

A. 不可多版本
B. 流程支援多路分支測試或能批量同時呼叫不同配置收集結果
C. CLI
D. GPU

Answer: B
Explanation: 要同時對比三種版本，需要多分支或批量呼叫，並搜集結果進行比較。

579. 哪種情況企業最可能放棄 No Code 方式？

A. 需求簡易
B. 需要大量底層演算法自訂與複雜微調，無法用平台功能滿足
C. 無論何需求都可No Code
D. GPU 大

Answer: B
Explanation: 若業務需求對底層算法或客製程度極深，平台可能無法承載，只能純程式開發。

580. 若AI 每次生成文案都太長，如何應對？

A. 一樣
B. 降低 Prompt 中的回應長度要求，或調整模型參數 (max tokens)
C. CLI
D. BFS

Answer: B
Explanation: 在 Prompt 或 API 參數中明確限制回應字數，有效控制輸出長度。

581. 「版本管理」在多人維護同一生成式 AI 流程時可怎樣避免衝突？

A. 無效
B. 不同人編輯前先創分支，完成後再合併，若衝突可選擇如何整合
C. 只用 CLI
D. BFS

Answer: B
Explanation: 與程式版本管理類似，不同人各自分支再合併，避免直接覆蓋導致衝突。

582. 企業若要自動產生「商業提案」，卻包含大量財務數據報表，需怎麼做？

A. 全自動生成
B. 先從系統抓取財務數據，AI 負責文字總結與描述，再把數據表格嵌入最終文件
C. 放棄
D. CLI

Answer: B
Explanation: 數據抓取與表格生成由系統執行，AI 則撰寫文字敘述並合併在同一報告中。

583. 哪種「回饋機制」能有效讓每個錯誤的 AI 輸出都能被記錄並後續改善？

A. 沒有
B. 用戶點選「此回覆有誤」按鈕 + 強制填寫錯誤原因，系統記錄並進行分析
C. CLI
D. GPU

Answer: B
Explanation: 強制用戶標記錯誤並輸入原因，可累積真實錯誤用例，利於後續改善 Prompt 或模型。

584. 在「No Code+生成式 AI」的合作方式中，哪個較能促進快速落地？

A. IT 壟斷所有流程
B. 由業務部門自行拉動，IT 提供平台與技術支援，雙方協同試驗
C. 僅技術部門負責
D. CLI

Answer: B
Explanation: 業務部門參與需求與測試，IT 提供技術平台及支援，有助於快速、實際落地。

585. 哪個指標可衡量「企業對生成式 AI」應用的普及程度？

A. GPU 指數
B. 使用者數量、呼叫頻率、實際用例分布於各部門的廣度
C. BLEU
D. CLI

Answer: B
Explanation: 觀察部門與人員的使用廣度與頻度，才能判斷 AI 在企業內的普及水平。

586. 哪種情況代表「No Code + 生成式 AI」在設計時的風險？

A. CLI
B. 平台升級或 API 改版，原流程若未更新可能立即失效或錯誤
C. 介面無關
D. BFS

Answer: B
Explanation: 依賴外部平台/API，一旦對方升級可能破壞兼容，需適時調整流程。

587. 「敏捷迭代」對生成式 AI 的好處？

A. 只做一次
B. 可持續根據用戶回饋優化 Prompt、流程，快速改進 AI 品質
C. CLI
D. BFS

Answer: B
Explanation: 敏捷迭代能時時更新與修正 Prompt、流程設計，提升適配度與品質。

588. 當要發大量「個人化優惠券文案」，為什麼生成式 AI + No Code 特別合適？

A. 不適合
B. 可從用戶資料庫自動抓取客戶屬性，插入 Prompt 產生專屬文案，並批量自動發送
C. CLI
D. BFS

Answer: B
Explanation: 透過可視化流程串連客戶資料、AI 文案生成與發送模組，即可大規模個人化行銷。

589. 為何在生產環境要避免將測試數據混入真實數據？

A. 不影響
B. 可能汙染實際輸出、導致誤發錯誤測試內容給客戶或干擾分析
C. CLI
D. BFS

Answer: B
Explanation: 實際生產環境不應使用測試數據，以免產生混亂或誤導，應分開管理。

590. 「外部審計」要求企業能交出 AI 輸出歷史紀錄，此時應在哪層面做準備？

A. 只在 CLI
B. 開發階段就設置日誌保留策略，包含輸入、輸出、時間與操作者
C. 無法
D. BFS

Answer: B
Explanation: 需在開發時規劃日誌留存，才能應對日後外部審計要求。

591. 若行銷團隊對「AI 生成速度」高度在意，可能原因是？

A. CLI
B. 拍板時效性，如實時發佈行銷內容，慢了就錯失商機
C. BFS
D. GPU

Answer: B
Explanation: 行銷時效性很重要，若生成速度過慢，可能趕不上熱門話題與行銷窗口。

592. 哪一個做法可減少員工輸入不恰當 Prompt 的概率？

A. CLI
B. 設計圖形化引導、選單與參數限制，避免隨意輸入不相干內容
C. BFS
D. GPU

Answer: B
Explanation: 在介面限制輸入範圍或引導操作，能有效減少錯誤或不適當 Prompt。

593. 「自動匯報」在生成式 AI 流程指什麼？

A. CLI
B. AI 產出特定報告後，自動寄給指揮鏈或上傳至報表系統，無需人工手動
C. BFS
D. GPU

Answer: B
Explanation: 一種典型應用：AI 完成分析，接著自動將結果分發給管理層或系統儀表板。

594. 哪種設計能降低「圖像生成式 AI」重複出同類構圖？

A. CLI
B. 設計隨機 seed 或 Prompt 加隨機參數，並檢測輸出相似度
C. BFS
D. GPU

Answer: B
Explanation: 通過改變seed或增加隨機度，以及對輸出做相似度檢測，可以提升多樣性。

595. 「微調」在私有部署中可能面臨什麼實務挑戰？

A. 不需資料
B. 需要大量計算資源與專業人員操作，還要準備領域資料標籤
C. 全部 CLI
D. BFS

Answer: B
Explanation: 微調費時又需 GPU、人員與數據，對中小企業成本較高。

596. 在導入規劃若發現「No Code 平台 與 生成式 AI」搭配能解決 80% 痛點，但 20% 需求仍需程式客製？

A. 不可用
B. 保持多元結合：80% 用 No Code 快速完成，剩下 20% 以程式客製或微服務補足
C. 全部捨棄
D. CLI

Answer: B
Explanation: 多數流程可用 No Code，關鍵客製需求就寫程式彌補不足，達成整合。

597. 若企業計畫大量應用生成式 AI，但組織文化保守，怎麼推動較佳？

A. 強制部署
B. 先在小範圍成功案例做示範，積累信心再逐步擴散到其他部門
C. GPU
D. CLI

Answer: B
Explanation: 保守文化可以先小規模成功示範，讓員工與管理層看見成效後再擴大。

598. 哪一類輸出最可能需要「二次審閱」確保品牌形象？

A. 內部小測試
B. 面向公眾的行銷文案或社群發文
C. CLI
D. BFS

Answer: B
Explanation: 公開宣傳類型對品牌形象影響大，應特別仔細審閱以免負面衝擊。

599. 「Performance Tuning」在生成式 AI 流程中可能包含哪些工作？

A. CLI
B. 優化 Prompt、降低不必要呼叫、調整並行處理並監控 API 延遲
C. BFS
D. GPU

Answer: B
Explanation: 包括 Prompt 和流程層面的優化，以及技術方面的並行與延遲管理。

600. 最後上線前的「Pilot Run（試營運）」指的通常是？

A. 未經任何測試
B. 在特定用戶群或業務範圍實際運行一段時間，評估真實表現與問題
C. CLI
D. BFS

Answer: B
Explanation: 試營運讓企業在小範圍真實應用中收集資料，若問題不大再全面推廣上線。

第 7 部分（題號 601～700）

601. 當企業想用生成式 AI 進行跨部門「專案提案審核」，最關鍵的考量是？

A. 介面色彩
B. 是否需要合規審核與多部門意見整合，以及對外部資料的引用合法性
C. 數據庫大小
D. 只需一次

Answer: B
Explanation: 在跨部門使用提案審核時，需注重合規、資料引用、意見整合的需求，以避免錯誤或不當內容被批准。

602. 「No Code + AI」流程若要支援多種角色（管理層、員工、外部合作方），應該怎樣設計？

A. 無法
B. 為不同角色設置不同入口或權限，控制可以訪問哪些流程或功能
C. 放任共享
D. 無任何權限

Answer: B
Explanation: 權限與角色控管是企業級應用基本需求，確保不同角色僅能使用或查看適合的流程節點。

603. 企業要評估「低程式平台」的可移轉性時，最可能遇到哪種問題？

A. 無阻力
B. 可能該平台的流程與 Prompt 設定難以遷移到另一平台或純程式環境
C. GPU 過少
D. CLI

Answer: B
Explanation: 不同平台的流程設計、Prompt 模板等格式不兼容，換平台常需重做或重新調整。

604. 哪種做法可以讓「生成式 AI」的上下文記憶更有條理？

A. 不保留上下文
B. 在流程中使用「摘要式記憶」：定期將對話整理成精簡摘要，再帶入 Prompt
C. 只用原文全部累積
D. GPU