AI 職效證書溫習室

今晚考試前嘅 3.5 小時

0:00–0:40

睇「重點速記」

逐堂撳開，特別記住黃色標示嘅定義同數字。Closed book，名詞要識用自己文字解釋。

0:40–1:40

MC 第一輪：第 1–6 堂

揀「第1–3堂」至「第6堂」做，約 51 題。錯嘅題目即刻睇解釋同出處。

1:40–2:30

MC 第二輪：第 7–10 堂

約 49 題。第 10 堂嘅題目好多來自堂上 Session quiz，要特別熟。

2:30–3:10

短答：揀 3 題寫大綱

唔使寫全文，每題寫 4–6 個要點，再對照「示範答案」嘅得分重點。

3:10–3:30

只做錯題

撳「只睇錯題」再做一次，直至全對。然後休息、食飯，唔好再塞新嘢。

考場時間分配

部分	建議時間	做法
20 題 MC	30 分鐘	唔肯定嘅先圈起，最後先返嚟。唔好留空。
短答 3 題	每題 35–40 分鐘	先揀最有把握嘅 3 題。每題：定義 → 運作／步驟 → 例子 → 限制或注意事項。
檢查	20–30 分鐘	可以提早交卷，但先檢查 MC 有冇漏塗、短答有冇答晒題目要求。

短答拎分技巧

用課堂術語：RAG、chunking、embedding、TopK、system prompt、human gate、GO / CONTROL / STOP。
每個概念配一個課堂例子：退貨率 Sentiment「我收到件件爛咗」、45% 按揭審批規則、三份裝修標書、報銷收據 Skill。
題目問「比較」就用兩欄或逐點對比；問「步驟」就編號。
最後一句講風險或限制（幻覺、私隱、人手審核），通常有額外分。

逐堂重點速記

第 1–3 堂LLM 基礎、Prompt Engineering、RAG 入門

術語：Prompt = 提示詞；LLM = 大型語言模型；Token = 詞元；Inference = 推理（運算輸出）；Context Window = 上下文窗口／短期記憶上限。 p.3
Chatbot 對 model：OpenAI ChatGPT/GPT；Google Gemini/Flash、Pro；Anthropic Claude/Sonnet、Opus；Microsoft Copilot 用 OpenAI model。 p.6
7 個 Core concepts：① Knowledge cutoff 唔緊要，要有 web search ② LLM 係 multimodal，AI Vision 勝傳統 OCR ③ 複雜數學要用 Python ④ 文字太多會 hallucinate ⑤ 畀時間思考，用 reasoning model ⑥ 好 chatbot = 模型 + 功能 ⑦ LLM 唔會自我改進，冇人類記憶。 p.8–41
訓練三階段：Pre-training（預測下一個字）→ Post-training SFT → RLHF。RLHF 處理道德同偏見。 p.49–69
Temperature：控制揀下一個 token 嘅隨機程度。Word embedding：意思相近，向量距離相近。 p.54–55
減少幻覺：較強模型、System prompt（唔肯定就講 I don't know）、RAG。 p.76–79
Prompt 技巧：RTF = Role-Task-Format；Brainstorming 先發散後收窄；Few-shot = 2–5 個例子，屬 in-context learning。 p.82–89
全部資料塞入 prompt → 慢、貴、超 token 上限，所以要 RAG。 p.101

第 4 堂AI Agent 與 Manus

OpenAI 5 Levels：Chatbots → Reasoners → Agents → Innovators → Organizations。 p.9
Generative AI = Reactive（Prompt → Generate）；Agentic AI = Proactive（Prompt → Action）。 p.10
Context Engineering = System prompt（Role、Constraint、COT、Few examples）+ User prompt + Tools + Long-term memory (RAG) + Short-term memory。 p.14
Harness 6 模組：Context Eng & Knowledge Mgmt、Memory Persistence、Validation & Constraints、Tool Orchestration & Permission、Observability & Feedback、Human Handoff。 p.29
AI Agent 用 token 遠多過 chatbot。 p.39
六種工具：Browser Use、Channel、Connector (API)、Skill (aka SOP)、Computer Use、Virtual Machine。 p.52
Browser 貼士：畀最短路徑／直接 URL。Agent 要開專用帳戶，唔畀 admin 權。Sandbox 控制 agent 權力。 p.62, 107, 111
OpenClaw = 成部電腦權限；Claude Cowork = 只用指定 folder。MCP 用一個標準連接多個工具（如 mcp.zapier.com）。 p.109–140
Skill = 保存咗嘅 how-to 食譜；先人手做一次，再用 /skill-creator 轉成 skill；模組化 skill 改一次全部受惠。 p.151–157

第 5 堂Google AI：Gemini、Notebook、Gems

GPT = Generative Pre-trained Transformer。 p.11
揀 model：Flash 日常；Pro 複雜深入；Flash-Lite 大量簡單、最平；Nano Banana 生圖；Veo 生片；Lyria 作曲。 p.22
Gemini 3.x context：1,048,576 input tokens、65,536 output tokens。 p.21
Gemini Notebook：上傳資料，引用資料作答 = RAG。 p.24–27
Gems / Skill：儲存固定指示，用「/報銷收據」重用；睇唔清唔好估，標「⚠ 請人手核對」；單項超過 HK$300 要保留正本。 p.52–56
其他：Deep Research、Manage Memory、Connected App / MCP、Schedule Actions、Gemini Spark（香港要 Pro/Ultra + 美國 VPN）。 p.37–62

第 6 堂RAG 與 Dify

RAG = Retrieval-Augmented Generation：LLM 冇公司資料，所以先由資料庫檢索相關資料，再交 LLM 作答。 p.3–5
結構化數據（Excel、SQL、CSV、XML）：LLM 抽取關鍵字（如 email）→ database lookup。 p.9–10
非結構化數據（Text、PDF、Image、Video）：keyword search 搵唔到 → Vector search。 p.12–14
流程：PDF → 文字 → Chunks（Chunk size、Chunk overlap）→ Embeddings → Vector DB。 p.19–22
TopK 3 = 相似度最高 3 段資料，連同 system prompt 交 LLM。 p.24–26
自訂 chatbot：易分享同事、行業知識。平台：GPTs/Project、Gem、Poe、Dify。Poe 上傳 PDF 文字要可選取，表格可能唔準。 p.28–35

第 7 堂多媒體 AI 設計：圖片與影片

術語：Inpainting（改局部）、Outpainting（擴展）、Steps、Negative Prompt（唔要乜）、Seed（固定可重現）。 p.5–12
Grok Imagine：快、免費、限制少；但「生成到 ≠ 可以用」，名人肖像權、Marvel 版權。 p.17–19
Canva：Brand Kit、Magic Resize、Bulk Create、Remove background / Magic Expand、Ask Canva。 p.20
Midjourney：美感最強、Style Reference；冇免費版，中文字差。用法：MJ 定風格，Nano Banana / ChatGPT 放真產品。 p.22–23
ChatGPT Images 2.5 獨有透明背景、多輪修改較強；Nano Banana 獨有超長比例 8:1。 p.36
圖片 prompt 6 元素：Subject、Style、Composition、Lighting & Color、Mood & Details、Constraints。 p.40
影片：Kling / Veo 產品相變動態片；Runway 改現有片（最長 10s）；HeyGen 真人講解、對口型；Higgsfield 試多 model；Flora 串流程。先諗用途再揀工具。 p.48–63

第 8 堂n8n 自動化與 LLM API

McKinsey：員工約 19% 工時（每日約 1.8 小時）用嚟搜尋資料。 p.3
Workflow：LLM 只處理流程一部分；AI Agent：LLM 自己決定用邊個工具，失敗會再試。 p.9–11
冇 API → RPA + AI Agent。 p.23
LLM 能力：摘要、翻譯、分類、情感分析、數據抽取、問答、生成、寫 code。 p.28
Core concepts：API 整合入 workflow；API 成本遠低於人工；LLM multimodal 勝 OCR；文字太多會幻覺。 p.33–38
Google AI Studio 免費測試：RPM、TPM、RPD。 p.58
自動客服：Label complaint → Create draft（唔直接發，要人批）→ BCC 去 Support / Sales / Billing。 p.60–68

第 9 堂Vibe Coding

冇完美 prompt：一次過、逐步、對話都得。Golden rule：唔好只信「Build Succeeded」，要自己測試。 p.14–16
茶記比喻：樓面 = Frontend；廚房 = Backend；打畀供應商 = API；帳簿 = Database；名廚食譜 = Skills。 p.23
Frontend vs Backend 睇喺邊度執行，唔係睇難唔難。 p.27
45% 審批規則要放 backend：F12 搜到 0.45 → 用戶睇到就改到。4 個訊號：secret、must be trusted、shared、talks to others。 p.31–37
API 失敗係正常，一個失敗唔可以拖冧成頁。Database = 我哋嘅記憶；API = 問其他人。SQLite 係 project file，適合 prototype。 p.41–49
Skills：先睇邊個寫、讀內容、小心 script。AI 加多咗嘢 → 講明唔好加乜。Prototype ≠ Production。 p.53–67
工具：Lovable 最快出 web app；Zo 最易上手 full-stack；Cursor / Claude Code 較 technical。 p.19–20

第 10 堂AI 最新趨勢與企業整合落地

智能價格三年跌約 300 倍；Kimi K3 開放權重，企業可自己部署。 p.2–3
IBM：pilot ROI 31% → 規模化約 7%；McKinsey：只有 11% 推得過 pilot。 p.9–10
舊流程加 ChatGPT 只得 5–10%；重新設計流程可達 50–90%。Don't automate a broken process。 p.17
LLM + RAG（圖書館）+ MCP（工具箱，AI 的 USB-C）= Agentic Workflow。Agent = LLM + Memory + Tools + Planning + Feedback。 p.33–38
確定嘅交 code（提取、計算、格式），理解嘅交 model，判斷簽名留畀人。 p.39
五層次：L0 無 AI → L1 ChatGPT → L2 NotebookLM → L3 Agentic Workflow → L4 自主 Agent。 p.40
Human gate：每個出街 output 之前。AI 起稿 → 你檢查 → 你簽名。 p.41, 49
四條 workflow：月度報表最先做（輸入結構化、判斷量低）。ROI 最易漏計新增審核工時。少於 4 次／月 → 買現成。 p.63–90
許可框架：技術能力、業務許可、組織準備度。數據紅綠燈 GO / CONTROL / STOP；CONTROL 要寫低審核準則、升級觸發點、審計軌跡、責任歸屬。 p.93–97
Skill 由領域專家寫：SKILL.md + references + scripts。中小企由下而上，一個 Skill 起步。 p.98–113