某法律事務所導入生成式 AI 協助律師查詢法規與合約內容。系統需要根據使用者提問，即時查詢時常動態更新的外部法規資料及數百頁合約中的相關條文。為了避免每次提問都將數百頁文件全部輸入模型而導致極高的 Token 運算成本與回應延遲，下列何種架構最適合此需求？
答案 （D）
核心概念
資料常更新、文件很長、又想省成本，就用 RAG 只抓相關片段給模型。
檢索增強生成（Retrieval-Augmented Generation, RAG）把文件切成片段、轉成向量存進外部資料庫。使用者提問時先檢索最相關的幾段，只把這幾段給模型當參考。法規更新就更新資料庫，不用重訓模型；每次只送幾段，Token 成本跟延遲都低。題幹三個需求（動態更新、數百頁、省成本）RAG 全部對得上。
本題詳解提到同卷第 50 題。
答題技巧
快速判斷技巧：「時常更新」加「長文件」加「省 Token」，答案是檢索增強生成（RAG）。 ・知識常變、要查原文 → RAG ・風格口吻要固定 → 微調（Fine-tuning） ・摘要 → 會丟細節，法規合約題裡幾乎都是誘答
易錯陷阱：(C) 微調聽起來最「徹底」，好像把知識學進去最保險。 關鍵差異：微調把知識寫進權重，更新一次重訓一次，跟「時常動態更新」正面衝突。 本卷第 50 題把 RAG 跟微調的分工再考一次，這是跨梯次最高頻的考點。