關於 Generative
Generative AI 不是搜尋引擎，也不是資料庫。它透過大量資料學到語言、圖像與其他訊號的模式，再根據當下 prompt 與 context 逐步生成最可能的下一段內容。本章先建立語言模型、token、context window、機率生成、幻覺與 multimodal 的共同語言。
核心問題
01生成式 AI 為什麼能產生文字、圖像與回應，也為什麼會出錯？
學完本章後，你應該能做到：理解生成式 AI 的基本運作語言，能把 prompt、context 與模型限制說清楚。
重要概念
02先建立共通語言
語言模型
語言模型的核心機制是 next token prediction：根據前文，逐個 token 算出下一個最可能出現的內容，再把這個 token 接回前文，重複這個過程直到生成完整回應。Anthropic 官方課程《AI Capabilities and Limitations》把這個機制列為理解模型能力與限制的第一課，因為它解釋了模型為什麼「看起來」懂語言——它學到的是大規模語料裡的語言模式與概念關聯，不是真的像人一樣理解整個世界。例如，當你問 Claude「台灣最高的山是哪一座」，它不是查表找答案，而是依訓練時學到的語言分佈，逐步算出『玉山』最可能接在這個問題之後；同樣的機制也讓它能換句話說、模仿語氣、或續寫一段故事。
說人話
生成式 AI
生成式 AI 指能根據輸入產生全新內容的 AI 系統，輸出形式不限於文字，還包含圖像、程式碼、結構化資料與多模態回應。對教育現場來說，這代表它的角色更像是「草稿產生器」而不是「答案查詢系統」：它生成的是當下機率最高的一種可能版本，需要人類檢查是否正確、合適、可用。例如，請 Claude 生成一份國中地理教案草稿，它會依你描述的條件組織出一個合理版本，但教師仍要核對地理資訊是否精確、活動時間是否可行，才能真正使用。
Prompt 與 Context
是你下達的任務指令與互動方式， 是模型在這次互動中實際能看到的材料——包含對話歷史、你上傳的檔案、系統指令與工具回傳的結果。兩者缺一不可：同一句指令「幫我設計一份評量」，如果沒有附上年級、科目與課綱範圍（），Claude 只能憑常識猜測，產出結果就會偏離你真正需要的版本。好的使用習慣不是背更多漂亮指令，而是練習管理「模型現在看到什麼」與「我要它怎麼用這些材料」——這正是第四章 與 要展開的核心技能。
重點先讀
03概念模型
提示詞與脈絡堆疊
Role、Task、Context、Format 建立語言入口，Product、Process、Performance 決定協作品質。
品質三問
Product
Process
Performance
深入解析
04操作步驟
- 1.
先問模型看到了什麼
開始前請 Claude 摘要它目前掌握的任務、資料與缺漏，確認 context 沒有被誤讀。
- 2.
把生成任務拆成草稿與驗證
先讓模型產生初稿，再要求它列出需要查證的事實、引用與推論，最後由人核對。
- 3.
用輸出格式限制不確定性
要求模型分欄標示已知、推論、待確認與不可判斷，避免把所有內容混成肯定敘述。
05容易誤解
迷你活動
06拆解一次生成式 AI 回應
選一段 Claude 回答，把它拆成 prompt、context、生成結果與待查證資訊。
- 1.標出你提供的任務要求與背景資料。
- 2.圈出模型可能只是推論或需要查證的句子。
- 3.補上一句更好的追問，要求模型列出不確定處。
完成檢核
我能說明語言模型如何用 token 與上下文生成回應。
我能區分 prompt、context、生成結果與人工查證。
我知道幻覺與 multimodal 誤讀需要工作流檢核。