從工作流程開始
先理解任務、角色與決策節點，再判斷 AI 適合進入哪個環節，而不是把 AI 當成獨立功能。
AI TECHNOLOGY
讓 AI 建立在資料、權限與真實流程之上
JMTEC 將 AI 與 RAG 視為企業應用架構的一部分：從知識準備、權限邊界、檢索與模型，到評估及人工監督，每一層都要與實際工作流程保持連續。
AI / RAGIN CONTEXT
WorkflowDataIdentityPermissionGovernanceDESIGN PRINCIPLES
技術選擇之前，先確立系統應遵守的原則
理解資料脈絡
模型輸出取決於可用資料、來源、版本與結構；知識層必須先被整理與管理。
遵守存取邊界
AI 應延續應用程式既有的身份、角色與 Scope，不應繞過使用者原本的資料權限。
保留人的判斷
AI 用於檢索、整理與工作輔助；重要決策仍由具責任的人員審閱與確認。
AI + RAG ARCHITECTURE
一個由應用、知識、模型與治理共同組成的架構
知識不直接等於模型；每一個使用者請求都應先經過身份與權限邊界。
01APPLICATION產品與內部應用
- AdmissionsOS
- Internal Applications
02AI APPLICATION LAYER面向任務的輔助能力
- Search
- Assist
- Summarize
- Retrieve
03RAG ORCHESTRATION從問題到有來源的回應
- Query
- Retrieve
- Context
- Generate
04KNOWLEDGE LAYER可管理的知識來源
- Policies
- FAQ
- Documents
- Data
05MODEL LAYER依任務與政策選擇模型
- Cloud LLM
- Hosted Option
- Domain Model
06DATA GOVERNANCE橫跨每一層的邊界
- Identity
- Role
- Scope
- PII
- Audit
APPLICATION LAYER
AI 應用從使用情境開始，而不是從模型開始
以下為 AI-ready 的應用方向，呈現 JMTEC 規劃中的能力類型，不代表所有功能已於正式環境提供。
Knowledge Search
依問題與允許範圍尋找相關知識。
Document Retrieval
從授權文件中擷取與任務相關的內容。
Summarization
協助整理長文件或工作脈絡，保留人工確認。
Workflow Assistance
在既有流程節點提供下一步資訊與建議。
KNOWLEDGE & RETRIEVAL
知識需要被整理、標記與授權，才能成為有用的 Context
RAG 的價值不只在搜尋，而在於將可管理的知識來源轉換為與任務相關、可追溯的脈絡。
1Documents
2Parsing
3Chunking
4Metadata
5Indexing
6Authorized Retrieval
7Context
KNOWLEDGE SOURCES招生規則FAQ流程說明作業文件政策資料
IMPORTANT DISTINCTION
Knowledge Base 管理來源、版本與可用範圍；LLM 根據提供的 Context 產生回應，兩者並不相同。
MODEL LAYER
模型是一項架構選擇，不是整套 AI 系統
不同任務可能採用不同模型選項；選擇應考量任務、資料政策、品質、成本與可用性。本站不宣稱 JMTEC 已部署特定私有模型。
TaskPolicyModel Selection
AI GOVERNANCE
AI 不只需要可以使用，也需要清楚的使用邊界
Access
以 Identity、Role 與 Scope 決定 AI 可取得的脈絡。
Data
控制進入流程的資料、來源及必要範圍。
Usage
界定 AI 適用任務、人工確認點與使用規則。
Auditability
以事件觀念保留 Query、Context、Source、Request 與 Response 脈絡。
Data classification as a design principlePublicInternalSensitive
分類標籤為概念示意，不代表 JMTEC 已發布正式資料分類政策。
EVALUATION & OBSERVABILITY
AI 是否可用，需要持續觀察，而不是一次性承諾
評估設計應涵蓋檢索、回答、來源支持與運作狀態；以下為可能採用的評估面向，不是公開績效數字。
Retrieval Quality
評估是否找回與問題相關的內容；Recall@K、Precision@K、MRR 是可能採用的評估方式，並非目前公開 KPI。
Answer Relevance
檢視回答是否回應使用者任務與問題。
Grounding
檢視回應是否由提供的來源與脈絡支持。
Operational Metrics
觀察 latency、token usage、error、retrieval failure 與 fallback 等運作訊號。
INTEGRATION ARCHITECTURE
AI 應用可以透過清楚的介面與既有系統協作
以 API 與結構化事件為整合邊界，讓 AdmissionsOS、其他應用與內部入口共享 AI / RAG 服務，而不虛構尚未確認的第三方整合。
AdmissionsOSOther ApplicationInternal Portal
API / Structured EventsAI / RAG ServiceKnowledgePolicyModel
ADMISSIONSOS × AI-READY
先建立結構化流程，再讓 AI 進入正確的位置
AdmissionsOS 已有 Application Data、Workflow、Role、Scope、Documents 與治理脈絡；未來 AI / RAG 可建立在這些 Structured Context 之上，而非繞過流程直接做招生決策。
探索 AdmissionsOS未來整合
AdmissionsOSApplication DataWorkflowRoleScopeDocuments
Structured ContextFuture AI / RAG Layer
RESPONSIBLE AI
AI 應該放大人的能力，而不是取代責任
Human Oversight
關鍵判斷與最終決策保留給具責任的人員。
Data Minimization
只讓任務需要的資料進入 AI 工作脈絡。
Explainable Context
讓使用者能看見來源、範圍與必要的處理脈絡。
Controlled Automation
依風險決定自動化程度，避免把重要決策交給無人監督的流程。
Important boundary本站不宣稱 AI 自動做出招生決策、AI 自動評分，或以無人監督方式取代審查責任。
DESIGN AI IN CONTEXT
正在評估 AI + RAG 導入？
與 JMTEC 討論適合您的 AI + RAG 架構與治理邊界。