Primary sources /原始來源
原始來源是為 AI 提供具體參考的方式，作為生成輸出時的基礎或指導。這種方法透過提供高密度的參考資料，幫助 AI 更準確地理解使用者意圖。原始來源的作用可以分為兩類：指導生成和作為主題的來源。
定義與應用場景
- 作為指導（As a Guide）：AI 透過 token 理解使用者的提示，而參考資料為 AI 提供了明確的方向，使生成結果更貼近使用者需求。在多媒體生成中，使用者可上傳樣例作為參考，指導 AI 的風格或內容生成。例如：
- 提供寫作樣本以生成一致的品牌語調。
- 上傳影象樣本以保持一組生成結果的風格統一性。
典型應用：
- 提供例子指導 Claude 完成撰寫任務。
- 上傳參考圖片，指導生成的影象風格或 tone。
- 作為主題來源（As a Source）：在這種情況下，參考資料是提示的核心，AI 直接與資料內容互動。例如：
- 使用者上傳文件，並要求 AI 總結或分析其中的內容。
- 透過描述功能解釋上傳的圖片，或擴充套件白皮書中的思想。
典型應用：
- Github Copilot 用於解釋程式碼片段。
- Adobe PDF AI 功能解釋文件內容。
- Perplexity 擴充套件白皮書中的觀點。
實現細節與變體
- 參考資料的新增：
- 使用者透過上傳檔案或在具體文件/影片上下文中提示，作為生成任務的初始設定。
- 參考資料是生成任務的核心錨點，AI 可透過額外的參考擴充套件答案。
- 結果的引用：AI 生成的答案中可能涉及原始來源的具體部分，使用者需能夠追溯到這些引用。
- 多來源支援：在需要時，可包含多個原始來源，以便 AI 綜合不同資料生成結果。
- 與 token 的結合：AI 可透過參考中的特定 token 調整生成內容，提升精準性和一致性。
優勢
- 明確使用者意圖：提供具體參考大幅提高 AI 理解提示的準確性，尤其在語調和風格等難以描述的細節上。示例：透過上傳品牌指南，確保生成的文案符合品牌語調。
- 多樣化輸出：在指導生成時，參考樣例能夠拓展 AI 的風格和創意邊界，例如多媒體生成中的不確定性探索。
- 高效互動：使用者可以將複雜的上下文資訊以參考形式直接傳遞給 AI，避免長篇提示。
風險
1 隱性偏見：提供給 AI 的參考資料可能包含使用者未察覺的偏見。例如：
- 參考中包含抄襲或不準確資訊，可能導致生成結果的錯誤或偏差。
- 由於自動化偏見（Automation Bias），使用者可能不仔細審查 AI 的結果，從而失去主動性。
2 安全風險：第三方資料的上傳可能引發資料洩露問題，尤其當參考資料中包含機密或個人資訊時：
- 若 AI 訓練過程中誤將這些資料整合到模型中，可能引發倫理或法律問題。
- 示例：音樂生成工具 Udio 不允許使用者上傳無版權的參考音樂。
最佳實踐與建議
- 明確參考資料的許可權：在上傳參考資料前，提醒使用者確認是否擁有使用權，避免潛在的法律風險。
- 提供引用透明度：生成結果需明確標註參考資料的引用來源，幫助使用者審查內容的可靠性。
- 支援多樣化參考輸入：允許使用者上傳多種型別的參考資料（文件、圖片、音訊等），為生成提供多維度支援。
- 最佳化使用者介面：提供簡潔直觀的上傳和引用管理功能，例如透過拖拽上傳檔案或自動識別檔案內容。
- 教育使用者資料隱私：透過介面設計或說明，提醒使用者注意上傳資料的敏感性，並提供隱私保護承諾。
原始來源的未來方向 (Future Directions)
- 智慧參考分析：AI 可自動提取上傳資料中的關鍵內容，幫助使用者快速生成相關答案。
- 多來源交叉引用：支援同時使用多個參考來源，透過智慧綜合生成更全面的答案。
- 上下文感知增強：AI 可根據使用者提示動態調整參考的優先順序和使用方式。
