這篇整理新考綱裡一個常被混淆的主題——當 LLM 產出不對的時候，到底該用哪種技術來修正。三個選項（提示工程、RAG、LoRA）解決的是不同問題，錯用會付出不必要的成本。
先理解 AI 為什麼會幻覺
要選對工具，得先搞懂問題的本質。
GPT、Claude 這類 LLM 的技術定位是「下一個詞的預測器（Next Token Predictor）」。它回答問題時不是在查資料庫，而是在計算「接下來出現什麼詞的機率最高」。
這就是幻覺的根源——對模型來說，編一個「10% 定存利率」跟陳述事實「1.5% 利率」，在演算法的評分上是一樣的。它追求的是「機率上的合理」，不是「事實上的正確」。
理解這個本質之後就知道，光靠「讓模型變聰明」解決不了幻覺。要解決這件事，得從系統架構層下手。
三種控制方式
一、提示工程（Prompt Engineering）——最輕量的方式
就是在輸入時下明確指令。常見的兩種做法：
- Zero-shot（零樣本）：直接下指令，不給範例。
- Few-shot（少樣本）：在指令裡附上幾個範例，讓模型模仿格式或邏輯。
適合的場景：任務邏輯簡單、資料不需要動態更新。
邊界：當公司資料每天都在變（匯率、庫存、內部政策），光靠提示詞撐不住。模型不會因為你下指令就知道今天的匯率。
二、RAG（Retrieval-Augmented Generation，檢索增強生成）——解決事實類幻覺的主流方式
用一個比喻：這是「開卷考試」。
運作邏輯是——在 LLM 回答之前，先讓它去查公司內部的資料庫（通常是向量資料庫），把相關資料撈出來，再基於這些資料生成回答。
重點是：模型不需要「背」這些資料，它只需要在回答前「查」這些資料。資料庫寫的是 1.5%，模型就不會說成 10%。
適合的場景：需要事實準確性、資料會變動、有公司內部知識要整合的情境。
三、LoRA（Low-Rank Adaptation）——微調的一種輕量方法
這裡要先釐清一個常見誤區：LoRA 不是拿來「教模型新知識」的。它的用途是調整模型的「風格」或「專業傾向」。
適合的場景：
- 希望模型用特定語氣說話（公司官方口吻、特定品牌風格）
- 希望模型產出特定格式的內容（公司內部程式碼規範、特定文件格式）
- 在特定領域強化表達風格（法律文書語氣、醫療報告用詞）
邊界：LoRA 不解決幻覺。如果問題是「模型講錯事實」，LoRA 訓練再多次也不會變成事實正確，只會讓錯誤的事實被講得更像公司風格。
考題方向
考題常見的陷阱是——給一個「AI 講錯事實」的情境，選項裡故意放 LoRA 當誘答，測考生會不會誤選。
標準的判斷流程是：
一、問題是「事實錯誤」還是「風格不對」。 二、事實錯誤 → RAG。風格不對 → LoRA。邏輯簡單的一次性任務 → Prompt。
「10% 利率災難」這類情境的關鍵字是「事實查核」，正確方向是 RAG，不是微調。微調在這個場景是無效的投入。
延伸：多模態應用的整合
新考綱也會考到這三種技術怎麼跟多模態結合。一個完整的應用系統可能會同時用到：
- 文本層：LLM + RAG（確保事實正確）+ LoRA（統一語氣風格）
- 視覺層：擴散模型（Diffusion）生成形象 + ControlNet 控制動作細節
- 語音層：VITS 這類端到端模型生成自然語音
這裡的重點不是把每個模型記起來，而是理解——每一層都有對應的技術選擇邏輯，規劃師要做的是根據需求組合出合理的架構，不是挑最新的工具硬塞。
自己整理下來的備考方向
一、Prompt、RAG、LoRA 三者不是強度差別，是解決不同問題。把這三個工具各自解決的問題記清楚，選擇題就不會錯。
二、RAG 對應「事實」、LoRA 對應「風格」，這是最核心的區分。考題會用各種情境描述包裝，但底層的判斷永遠是這兩條。
三、幻覺問題的答案方向永遠是 RAG 或「人類審核」這類系統設計，不會是「繼續訓練模型」。這個邏輯跟前面整理過的治理章節（Human-in-the-loop）是連動的。
這個主題在新考綱的權重不低，但底層邏輯很清楚。理解「為什麼會幻覺」之後，三種工具的定位就各歸各位了。
