AI 102 · 模組 3
哪些資訊真的應該讓 AI 看到？
開始第一節知道 Context 有哪些類型之後，下一個問題是選擇。現實中，資料通常不缺，缺的是判斷：哪些可信、哪些過期、哪些不該提供。
一位同仁想請 AI 說明「新進人員的特休天數怎麼計算」。你手邊有正式的人事規章、兩年前的舊版規章、主管在群組裡的說明、一篇網路論壇文章，還有幾份含員工姓名的人事資料。
這些資料都「相關」，但如果全部交給 AI，會發生什麼事？
注意
面對一項資訊，可以用四個問題快速檢查。取英文字首，稱為 RAFS 品質模型。
| 判準 | 要問的問題 | 不通過時常見的後果 |
|---|---|---|
| R：Relevance（相關性） | 這項資訊真的會影響目前任務的結果嗎？ | Context Dumping：雜訊變多，重點被淹沒 |
| A：Authority（權威性） | 這個來源有多可信？誰為它負責？ | 用了不可靠的說法，或在衝突的來源中選錯 |
| F：Freshness（時效性） | 它是最新的嗎？哪一天、哪一個版本？ | 資訊本來正確，但已經過期 |
| S：Sensitivity（敏感性） | 這項資訊可以提供給 AI 嗎？ | 個資、機密或未授權資料被不當使用 |
四項判準需要一起看。一份資料可能高度相關又很權威，卻已經過期；或者內容很新、很相關，但屬於不能提供的機密。
時效性的問題更隱蔽：資料可能完全正確，只是屬於過去。例如 2024 年的價格表，對 2026 年的採購沒有依據價值。養成一個習慣：
資訊
有人為了回答一位員工的特休天數，把公司近 200 份文件全部附上，並說「這樣最保險」。依 RAFS，最合理的評論是什麼？
不同來源的可信度不同。當多個來源說法不一致，就需要一個規則，決定以哪一個為準。這個「以誰為準」的來源，稱為 Source of Truth（權威資料來源）。
資訊
權威性高不代表永遠正確：官方文件也可能有錯，也可能已被新公告取代。所以權威性要和時效性一起看。
現行正式差旅辦法（第 4 版）規定住宿上限為每晚 2,500 元；主管在聊天群組曾說「這次上限 3,000 元」。請 AI 協助整理出差預算時，最合理的處理是什麼？
相關，不代表可以提供。有些資訊即使對任務有幫助，也不應該進入 AI 的 Context。常見的類型包括：
注意
請 AI 寫客訴回覆，並貼上完整的客訴信，內含客戶姓名、電話、住址與訂單編號。
你想請 AI 協助撰寫客訴回覆的草稿。下列哪一種做法最符合 Need-to-know？
延續特休問題：一位同仁請 AI 協助回覆「新進人員的請假規定」。下面是手邊的 12 種來源（皆為模擬）。請為每一項選擇處理方式，並用 RAFS 說明理由。同一種來源在不同任務裡，答案可能不同。
| 來源 | 先想一想 |
|---|---|
| 1. 正式 HR Policy | 現行版嗎？資料很大，要全部給嗎？ |
| 2. 兩年前的 HR Policy | 和現行版一致嗎？有可能用來比較嗎？ |
| 3. 主管在 Slack 的說明 | 有沒有正式依據？是不是暫時性的口頭指示？ |
| 4. 網路論壇文章 | 誰為內容負責？適用於我們的組織嗎？ |
| 5. 政府官方網站 | 是否為法規來源？網頁是否為最新公告？ |
| 6. PDF 草稿 | 尚未定案，能當作依據嗎？ |
| 7. 個人筆記 | 來源是誰？寫的日期？ |
| 8. CRM 資料 | 有沒有客戶個資？這次任務需要哪些欄位？ |
| 9. 客戶 Email | 可能有個資與未經查證的說法 |
| 10. 新聞報導 | 是第二手來源嗎？能回溯到原始公告嗎？ |
| 11. 資料庫查詢結果 | 查詢的時間與條件是什麼？資料多久更新一次？ |
| 12. AI 產生的摘要 | 摘要根據的是哪些原文？有無核對？ |
在來源清單中，有一份「AI 產生的摘要」，說明特休的計算方式。你打算把它當作依據交給另一個 AI 使用。依 RAFS，最合理的判斷是什麼？
完成
接下來的單元，會把判斷的結果轉成具體策略：哪些直接放入（Include）、哪些需要時檢索（Retrieve）、哪些值得記住（Remember），哪些應排除（Exclude）。
