---
title: "問答系統（Question Answering）"
slug: question-answering
language: zh-TW
source: https://aiterms.tw/terms/question-answering
updated_at: 2026-04-29
tags: [自然語言處理, 知識圖譜, AI應用, 深度學習]
ipas_term: false
---

# 問答系統（Question Answering）

> **你在客服網站找退款規則時，會不會只想直接看到答案，不想自己翻一堆頁面？**
>
> 你可以把問答系統想成一個會讀問題、找資料、再整理成答案的工具。
> 它的目標是把「找答案」這件事變得更快，讓你不用自己在一堆文字裡慢慢挖。
>
> 你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。

### 容易混淆
> **問答系統 vs 搜尋引擎**
> 搜尋引擎先給你一串可能有用的頁面。
> 問答系統會盡量直接回你一個答案。
> 最關鍵的區別：一個給線索，一個給結論。
>
> **問答系統 vs 對話系統**
> 對話系統重點是來回互動和維持上下文。
> 問答系統重點是回答某個具體問題。
> 最關鍵的區別：一個重聊天流程，一個重答案品質。
>
> **問答系統 vs 摘要系統**
> 摘要系統把長文濃縮成短文。
> 問答系統只針對你問的點作答。
> 最關鍵的區別：一個縮全文，一個答局部。

### 記住這句就好
> 你問一題，它盡量給你一個能直接用的答案。

### 實際案例
> **客服 FAQ**
> 使用者問「退款要幾天？」時，系統先找退費條款，再把結果整理成一句清楚回答。
> 這比丟一堆文件連結更省時間。
>
> **內部知識庫**
> 同事問「新產品的 API 認證怎麼設？」時，問答系統可以從內部文件抓出對應段落，直接回答。
> 這讓知識不必靠人一個個轉述。

### 算法與應用
> 問答系統常分成抽取式和生成式，抽取式會從文件中挑出答案，生成式會把多段資訊整理成自然語句。
> 如果資料很多，常會先做檢索，再做閱讀理解，這樣答案比較準。
> 真正好用的系統，通常還會搭配知識庫、檢索增強生成和上下文管理。

### 情境判斷
> **Q1（直覺題）：** 你只想知道「年假幾天」這種明確問題，較適合哪種系統？
>
> → 問答系統，因為它會直接回你答案，不必先自己翻文件。
>
> **Q2（判斷題）：** 如果你的問題很模糊，例如「怎麼把專案做得更好」，問答系統一定能回答嗎？
>
> → 不一定，因為這類問題需要更多背景和判斷，答案常要靠對話、分解問題或人工協助。

### 常見問題
> **Q：問答系統一定是 AI 嗎？**
> 不一定，早期也有規則式和檢索式做法，只是現在常和大型語言模型結合。
>
> **Q：它和聊天機器人是一樣的嗎？**
> 不完全一樣，聊天機器人偏互動流程，問答系統偏直接回答。
>
> **Q：為什麼有些答案會不準？**
> 常見原因是檢索不到對的資料、上下文切得太短，或生成時把資訊拼錯。

### 相關術語
> - **自然語言處理**：先看這個，才知道系統怎麼讀懂你的問題。
> - **知識庫**：問答系統很常從這裡找答案。
> - **檢索增強生成**：如果你想做更準的問答，這是最常一起出現的做法。
> - **對話系統**：理解它，才知道問答系統和聊天流程差在哪裡。
> - **大型語言模型**：很多現代問答系統都會用它來整理答案。

---

來源：https://aiterms.tw/terms/question-answering
快查頁：https://aiterms.tw/terms/question-answering
最後更新：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-question-answering