融合RAG與結構化提示策略：具知識導引之數學素養試題生成方法

本文旨在探討如何透過結合檢索增強生成（Retrieval-Augmented Generation，RAG）與結構化提示語策略，提升大型語言模型（Large Language Models）在數學素養導向試題生成中的專業性與可靠性。為克服單純提示語生成易出現知識錯誤、低階認知題過多、課綱對應性不足及語言表述偏差等問題，本文建構一套模組化專業知識庫，涵蓋五類資料：（1）《十二年國民基本教育數學領綱》，（2）新手教師命題文本（負樣本），（3）專家修訂題組範例（正樣本），（4）提示語設計策略與生成步驟說明，以及（5）高階數學評量轉化文件。透過RAG機制使模型能檢索精確知識、參考正負範例並遵循結構化提示，引導生成題組兼具知識正確性、課綱對應性及具高階思考特質的詮釋評估類型的試題。同時，本文設計了七大提示步驟與三層提示語邏輯，從情境與議題生成、情境調整與內容補充，到問題生成與提示格式，形成完整命題流程。實證結果顯示，此整合機制能有效降低幻覺性輸出、提升高階思維題的生成比例，並確保題目符合年級與課程要求，同時維持語言精煉與結構完整性。雖然AI生成之試題尚難完全取代人工命題，但其成果可作為命題者的參考素材與靈感來源，輔助後續設計與創意發想。