核心要點
在 AWS 上部署生成式 AI 時，先從最簡單的方式開始，只在必要時才逐層加深客製化。AWS 透過 Amazon Bedrock 提供 Anthropic、Meta、Mistral 以及自家模型，讓企業可以直接使用、微調或自行訓練，本文以 8 步決策框架說明何時選擇「使用 (USE)」‑「加強 (ENHANCE)」‑「訓練 (TRAIN)」三個層級，避免過度工程或投資不足。
背景與挑戰
取得大型基礎模型（如 Claude、Amazon Nova、Llama）並不等同於能即時解決業務問題。常見的兩大誤區：
-
過早微調：本可透過精心設計的提示 (prompt) 解決的任務，卻直接投入大量算力進行微調，浪費成本與時間。
-
過度依賴提示工程：面對需要領域專屬知識的情境，卻只在提示上糾纏數週，錯失使用檢索增強生成 (RAG) 或微調的機會。
這兩種錯誤都會導致 計算資源成本、產品上線延遲以及模型輸出可信度下降。
AWS 客製化光譜
AWS 把客製化流程比作一段階梯式光譜，從左至右投入的 努力、成本、資料需求 逐步提升，同時獲得的 控制度與領域特化程度 也同步上升。
| 階段 | 操作方式 | 主要手段 | 典型需求 | |------|----------|----------|----------| | USE (使用) | 不改模型，只改與模型的對話方式 | 系統指令、Few‑shot 範例、Chain‑of‑thought 推理 | 少量或無額外資料，適合快速驗證 | | ENHANCE (加強) | 在模型上加入外部知識或微調 | 檢索增強生成 (RAG)、輕量微調、提示優化自動化 | 中等規模領域資料，需評估成本效益 | | TRAIN (訓練) | 從頭或大量資料自行訓練模型 | 完全自訂模型、深度微調 | 大量標註資料與算力，適用高度專業或保密需求 |
在 USE 階段，企業可利用 Prompt Evaluation（提示評估）量化準確度與魯棒性，並透過 Prompt Optimization（提示最佳化）自動重寫提示，省去手動試錯。若指標仍未達標，才升級到 ENHANCE，例如將內部文件以向量化方式加入 RAG，或對模型進行少量微調。最後，只有在領域特性極端且已有充足資料時，才考慮 TRAIN。
實務選擇建議
-
先定義 KPI：明確量化「正確率」或「回應時間」等目標。
-
使用 8 步框架：從「是否已有可直接使用的模型」→「提示是否足以達標」→「是否需要 RAG」→「是否需要微調」→「是否需要全新訓練」逐層檢視。
-
成本預算：在每一步估算算力、資料標註與人力成本，避免在未證實需求前投入過多資源。
-
持續監控：部署後持續以 Prompt Evaluation 追蹤模型表現，必要時再迭代升級。
未來展望
隨著 AWS 持續擴充 Bedrock 生態系，模型庫與自動化工具將更成熟。企業若能遵循「從簡到深」的原則，配合嚴謹的決策流程，不僅能降低開發成本，還能在競爭激烈的 AI 時代快速驗證概念、加速上線。未來，自動化提示最佳化與領域檢索結合或將成為大多數企業的標準做法，真正讓生成式 AI 成為業務創新、成本優化的雙贏引擎。