電商客服 AI 需要即時促銷資訊又要品牌語氣，哪種策略最合理？
某電商平台導入生成式 AI 客服助理，用於自動回覆顧客詢問。營運需求包含：需即時反映每日更新的促銷活動與商品資訊，同時維持品牌一致的回覆語氣，且企業希望避免因模型重新訓練所造成的成本增加與系統不穩定。在此情境下，下列哪一種技術策略最合理？
一家電商平台導入生成式 AI 客服助理，要求能即時反映每日更新的促銷活動與商品資訊，同時維持品牌一致的回覆語氣，且企業希望避免因模型重新訓練造成的成本增加與系統不穩定。
問你：同時滿足「即時資訊更新」「固定品牌語氣」「避免重新訓練模型」，最合理的技術策略是哪一種？
一句話總結
面對「每日更新的即時資訊 + 固定品牌語氣 + 不重新訓練模型」這三個需求，最合理的方案是用 Prompt Engineering 控制語氣風格（寫死在系統提示詞，不需訓練），搭配 RAG 把最新促銷資訊即時引入（每天更新資料庫，不需重訓模型）。
先感受問題：客服 AI 的兩個互相拉扯的需求
「快購電商」的技術主管阿明，負責導入 AI 客服系統。系統每天要回答幾千個顧客問題，其中最麻煩的是：
需求一：即時性。每天都有新促銷（今天買一送一、明天打 85 折、後天某商品限時搶購），客服 AI 必須知道今天的最新活動，才能正確回答「這個商品有活動嗎？」
需求二：語氣一致。品牌風格要親切、正式，不能出現「親親」「嗨嗨」這類口語，也不能太冷漠。這個語氣要所有回覆都一致。
需求三：不重新訓練模型。Fine-tuning 一次要跑好幾個小時、成本高，而且每次訓練完模型行為都可能有些微變化（系統不穩定）。每天更新活動就每天訓練一次，根本不可行。
阿明需要的方案：一個「語氣固定、資訊即時、不重訓模型」的架構。
各種單一方案為什麼都不夠？
- 只做 Fine-tuning：把品牌語氣和促銷內容都訓練進模型，但促銷天天變，天天重訓是不可能的。即使做一次，下次活動更新後模型就過時了
- 只做 RAG：促銷資訊可以即時更新，但 RAG 只負責把資料引入，不負責語氣風格。模型不知道要用什麼語氣回覆，語氣會不一致
- 只用提示詞（Prompt Engineering）：能控制語氣，但提示詞放不下所有每日更新的促銷明細，超過 Context Window 就失效
- 增量 Fine-tuning：每天做一次增量訓練，資源消耗仍然很大，且每次訓練都可能帶來輕微的模型行為漂移，系統穩定性難以保證
- 核心缺口：語氣控制和即時資訊是兩個不同層面的問題，需要兩種工具分別處理
Prompt Engineering + RAG 組合怎麼解
Prompt Engineering 解決語氣問題：在系統提示詞（System Prompt）裡設定固定的語氣指令，例如「你是快購電商的客服助理，請用親切、正式的語氣回覆，不使用縮寫和網路流行語，每句話結尾要感謝顧客」。這個提示詞一旦設定好，所有對話都會遵守，不需要重新訓練模型。語氣永遠一致。
RAG 解決即時資訊問題：每天把最新的促銷活動和商品資訊更新進向量資料庫，當顧客問「今天有什麼活動？」，系統從向量庫找出最新相關資訊，把這些資訊夾帶在提示詞裡傳給模型，模型根據這些即時資料回覆。不需要重新訓練模型，資訊更新直接改向量庫就好。
兩者組合：Prompt Engineering 管語氣（固定）、RAG 管資訊（即時）、模型本身不需要重新訓練。三個需求全部滿足。
這就是選項 C 描述的：透過 Prompt Engineering 控制回覆風格，並以 RAG 引入最新商品與活動資訊。
技術版：三種技術各自的責任分工
這道題很好地展示了三種技術在企業 AI 應用中的分工：
- Fine-tuning（微調）：負責「讓模型學習特定能力或風格」，把知識燒進模型本身。適合固定的領域知識、特定的輸出格式、專業術語理解。不適合頻繁更新的資訊（每次更新需重新訓練）。
- RAG（檢索增強生成）：負責「讓模型取用即時外部資料」，不改變模型本身，只在每次對話時動態引入最新資訊。適合頻繁更新的資料（促銷、新聞、文件庫）。
- Prompt Engineering：負責「在每次對話中引導模型的行為和輸出格式」，透過設計系統提示詞控制語氣、格式、限制行為。適合需要固定輸出風格或行為約束的場景。
三者的組合策略：企業 AI 應用通常不是單用一種，而是根據需求組合：Fine-tuning（領域知識）+ Prompt Engineering（風格控制）+ RAG（即時資訊）是最常見的完整組合。這道題的情境不需要 Fine-tuning，所以只用 Prompt Engineering + RAG 就夠了。
為什麼出題者要考這題：AI 規劃師需要能清楚分析業務需求，並為每個需求選對對應的技術工具，而不是用一個工具硬做所有事。
為什麼其他選項是錯的
A僅進行 Fine-tuning，使模型同時學習品牌語氣與即時促銷內容
只做一次 Fine-tuning，把語氣風格和所有促銷資訊都訓練進模型。
題目明確說要避免「重新訓練造成的成本增加與系統不穩定」。Fine-tuning 訓練一次就夠了語氣，但促銷每天變，每天都要重新訓練，成本極高。而且 Fine-tuning 把資訊燒進模型，促銷過期後模型還記得舊的，可能給顧客錯誤資訊。
以為 Fine-tuning 一次就能解決所有問題的人。Fine-tuning 適合固定知識，不適合每日變動的資訊。
B僅導入 RAG 更新促銷資訊，期望模型直接從檢索內容學習品牌語氣
只用 RAG 更新資訊，期待模型能從檢索到的促銷文件中學到語氣風格。
RAG 引入的是「資料內容」，不是「語氣指令」。模型看到促銷文件後，不會自動知道要用什麼品牌語氣回覆。語氣控制需要明確的提示詞引導，不能靠 RAG 的資料文件「教」。這個選項沒有解決語氣一致性的問題。
以為 RAG 可以解決所有問題的人。RAG 很強，但它只能提供資訊，不能控制語氣。語氣控制需要 Prompt Engineering。
D持續進行增量 Fine-tuning，以確保活動資訊同步更新
每隔一段時間做增量訓練，把新的促銷資訊加入模型訓練資料，保持資訊更新。
增量 Fine-tuning 仍然是「重新訓練模型」的一種形式，題目明確要避免因訓練造成的成本增加和系統不穩定。每次增量訓練都有人力、算力成本，且可能引起模型行為漂移（Catastrophic Forgetting 問題）。RAG 不訓練模型，直接更新資料庫，比增量訓練高效得多。
認為「增量訓練」比「整個重訓」好所以選 D 的人。增量訓練確實成本較低，但跟 RAG 相比仍然太重。而且增量訓練無法解決語氣問題，需要搭配其他方案。
同個考點下次怎麼變形
什麼情況下應該用 Fine-tuning 而不是 RAG 來更新模型知識？
Fine-tuning 和 RAG 都能讓模型「知道更多」，什麼時候選哪個？
Fine-tuning 適合：固定的領域知識、特定的輸出格式、需要模型改變「行為方式」（如語氣、格式習慣）、資訊更新頻率低。RAG 適合：頻繁更新的資訊、私有文件庫、需要即時反映最新資料、不想重新訓練模型。
System Prompt（系統提示詞）在語氣控制上的作用是什麼？
提示詞不是使用者寫的嗎？System Prompt 是什麼？
System Prompt 是開發者設定的背景指令，在每次對話開始時傳給模型，使用者看不到。它用來設定模型的角色（你是什麼助理）、行為限制（不要討論什麼主題）、輸出格式（用什麼語氣）。用它控制語氣不需要訓練模型，修改 System Prompt 就能即時改變行為。
RAG + Prompt Engineering 組合，哪個部分需要定期維護？
這個組合上線後可以完全不管嗎？
RAG 的向量資料庫需要定期更新（新增或刪除過期資訊），促銷活動結束後要從資料庫移除，避免模型給出過期資訊。Prompt Engineering 相對穩定，但品牌語氣如果有調整，System Prompt 也要更新。模型本身不需要重新訓練。
如果電商平台還需要 AI 能回答非常專業的技術類產品問題（如電器規格），應該加什麼？
RAG + Prompt Engineering 加上技術規格問答，還需要什麼嗎？
可以把技術規格文件放進 RAG 的向量資料庫，讓模型查閱。如果產品線非常複雜、術語極為專業，可以考慮對語言模型做 Fine-tuning 讓它更熟悉領域術語。促銷資訊用 RAG（即時更新）、語氣用 Prompt Engineering（固定）、領域知識用 Fine-tuning（一次訓練），三者各司其職。
Catastrophic Forgetting（災難性遺忘）是什麼？為什麼它讓增量 Fine-tuning 有風險？
增量訓練不是把新知識加進去就好嗎？
神經網路在學習新任務時，常常會「忘記」之前學到的知識，這現象叫災難性遺忘（Catastrophic Forgetting）。每次增量訓練加入新促銷資訊，模型可能略微遺忘之前學到的語氣或其他知識，導致系統行為不穩定，這正是題目說要避免的「系統不穩定」問題。RAG 完全不改變模型，所以沒有這個問題。
想再往下看，這 5 個
- 檢索增強生成（Retrieval-Augmented Generation）從外部向量資料庫即時檢索資訊注入提示詞，讓模型回覆每日更新的促銷資料，本題正解的即時資訊元件
- 提示工程（Prompt Engineering）透過 System Prompt 設定固定語氣與品牌風格，不需重新訓練模型，本題正解的語氣控制元件
- 微調（Fine-tuning）本題刻意排除的技術路線，因為促銷資訊每日更新，無法承擔重複訓練的成本與系統不穩定風險
- 系統提示詞（System Prompt）每次對話開始前由開發者設定的背景指令，用於定義語氣規範與品牌風格，是本題 Prompt Engineering 的具體實現工具
- 向量資料庫（Vector Database）RAG 架構的核心儲存元件，將促銷活動文字轉為向量索引，每天更新後即可讓模型即時取用最新資訊