AWS AI Practitioner（AIF-C01）備考路徑：v1.1 把它變成 agentic AI 考試

🌏 English version

本文是從官方資料建出來的備考路徑，不是應考實錄 —— 作者沒有報考這張考試。所有「考什麼」都指回官方 exam guide，所有「怎麼準備」都指回 AWS 官方訓練資源，不含考古題。查證日期：2026-08-18，對照的是 exam guide v1.1。

AIF-C01 是 AWS 認證體系裡最便宜的一張 AI 證照（$100），也是最容易被舊資料誤導的一張 —— 因為它在 2026 年 4 月 30 日換版到 v1.1，而網路上絕大多數整理文寫的還是舊版內容。

各家證照的價格、效期與門檻對照見站內的2026 年工程師 AI 證照有哪些，本文不重複。

這張適合誰

AWS 自己講得很直白 —— 目標考生不是工程師。 官方 exam guide 寫的建議經驗是：

up to 6 months of exposure to AI/ML technologies on AWS. The target candidate uses but does not necessarily build AI/ML solutions on AWS.

「使用但不一定要會建」。它的排除清單更清楚，以下全部不考：寫模型或演算法、資料工程與特徵工程、超參數調校、建 AI/ML pipeline 或基礎設施、對模型做數學或統計分析、實作資安與合規協定、開發治理框架。

所以：

適合 —— 需要跟 AI 團隊溝通的 PM、業務、行銷、法遵；或是剛接觸 AWS AI 服務、想先建立完整詞彙表的工程師。這張是唯一提供繁體中文的，對不想在英文術語上多花力氣的人是實際優勢。

不適合 —— 想用它證明工程能力的人。它排除的每一項幾乎都是 MLA-C01 的 in-scope 任務，兩張的分界非常乾淨：AIF 考「說得出來」，MLA 考「做得出來」。

一個工程師仍該考慮它的理由：它是 AWS AI 線續期圖的底層。考過 MLA-C01 或 AIP-C01 都會自動把 AIF-C01 續三年，所以先拿 $100 這張並不會變成長期維護負擔。

官方規格速覽

題型要特別留意。 ordering 要你把 3–5 個步驟排成正確順序、matching 要把 3–7 組配對全對才給分 —— 這兩種題型部分答對不給分，跟複選一樣是全有全無。許多整理文只寫「單選與複選」，照那個預期進考場會被排序題吃掉時間。

順帶一提，同屬 AWS AI 線的 AIP-C01 只有單選與複選，沒有這兩種題型。

五章權重

第 2、3 章合計 52% —— 一半以上的分數在 GenAI 與基礎模型應用，傳統 ML 概念只佔 20%。把準備重心放在 RAG、prompt engineering、FM 評估與客製化，比背機器學習演算法有效。

v1.1 改了什麼（這節決定你的教材能不能用）

官方 revisions 頁列出改版歷史：v1.0 是 2026 年 3 月 26 日，v1.1 是 4 月 30 日。同頁註明「Exam guide updates will be published approximately one month before updates will be reflected on your exam」—— 也就是大約五月底起，考題就照 v1.1 出。

新增七條目標，全部是 2024 年那版沒有的：

服務清單也動了。 新增進 in-scope：Amazon Aurora、Bedrock AgentCore、Kiro、Strands Agents、Amazon Q、SageMaker JumpStart、AWS Transform；移除：Amazon MemoryDB。目標 2.3.1 原本點名 Bedrock PartyRock 與 Bedrock Data Automation，v1.1 把這兩個換掉了。

還有一個容易吃虧的細節：目標 1.3.6 的模型指標，v1.0 列的是 AUC，v1.1 換成 precision 與 recall。市面上的單字卡還在背 AUC。

判斷教材是否過期的最快方法：翻目錄找 MCP、AgentCore、Kiro、Strands Agents、context engineering。一個都沒有，就是 v1.1 之前的東西。

逐章準備

第 1 章：AI 與 ML 基礎（20%）

官方考什麼：AI／ML／深度學習／神經網路／CV／NLP／模型／演算法／訓練與推論／偏誤／公平性／擬合／LLM／GenAI／agentic AI 的定義與彼此差異；推論型態（批次、即時、非同步、serverless）；資料型態與學習方式；AI 適合與不適合的場景；傳統 ML 與 FM 的取捨；AWS 託管 AI 服務的能力（SageMaker AI、Transcribe、Translate、Comprehend、Lex、Polly）；AI/ML pipeline 各階段對應的服務（Bedrock、Amazon Q、Amazon Quick、Kiro、SageMaker AI）；MLOps 概念；模型指標（accuracy、precision、recall、F1）與商業指標（每使用者成本、開發成本、ROI）。

怎麼準備：這章是純概念，把官方 guide 的名詞逐個能用一句話解釋就夠。重點不是深度而是分界 —— 題目常問「這個情境該用 AI 嗎」「該用傳統 ML 還是 FM」，答案取決於法規、可解釋性、營運限制，不是取決於技術先進度。

第 2 章：GenAI 基礎（24%）

官方考什麼：token、chunking、embedding、向量、prompt engineering、transformer、FM、多模態、擴散模型；GenAI 用例；FM 生命週期（資料選擇 → 模型選擇 → 預訓練 → 微調 → 評估 → 部署 → 回饋）；token 計價與成本效能關係；context engineering；agentic AI 概念與 MCP；GenAI 的優勢與限制（幻覺、可解釋性、不確定性）；模型選擇因素（含成本、延遲、模型複雜度）；AWS GenAI 服務（Bedrock、SageMaker AI、JumpStart、Amazon Quick、Kiro、Strands Agents、Bedrock AgentCore）。

怎麼準備：v1.1 的新內容有一半集中在這章。MCP 與多 agent 那條（2.1.6）建議實際看一次 MCP 的運作 —— 站內的 Agent 安全的 harness 層有實務脈絡。token 計價那條則要能算：同樣一個任務，換模型或壓縮 prompt 之後成本差多少。

第 3 章：基礎模型的應用（28%，最重）

官方考什麼：FM 選擇準則（成本、模態、延遲、多語言、模型大小、複雜度、客製化、輸入輸出長度、prompt caching）；推論參數（temperature、長度）；RAG 與 Bedrock Knowledge Bases；向量儲存服務（OpenSearch Service、Aurora、Neptune、RDS for PostgreSQL）；客製化方式的成本取捨（預訓練、微調、in-context learning、RAG、模型蒸餾）；AI agent 的角色與商業應用；prompt 技巧（chain-of-thought、zero/single/few-shot、模板）與風險（曝露、poisoning、hijacking、jailbreaking）；Bedrock Prompt Management 做版本管理；訓練與微調方法（instruction tuning、domain adaptation、transfer learning、持續預訓練、RLHF）；FM 評估（human-in-the-loop、benchmark、Bedrock Model Evaluation、ROUGE／BLEU／BERTScore／LLM-as-a-judge）、評估用 FM 建的應用（RAG、agent、workflow）、業務對齊指標。

怎麼準備：這是最重也最值得投資的一章。四種客製化方式（預訓練／微調／in-context learning／RAG）的成本與適用情境要能排序，這是本章的高頻考點。評估那段建議搭配站內的 RAG 評估框架，把 ROUGE、BLEU、BERTScore、LLM-as-a-judge 各自量什麼弄清楚。

第 4 章：負責任 AI（14%）

官方考什麼：負責任 AI 的面向（偏誤、公平性、包容性、穩健性、安全、真實性）；Bedrock Guardrails；模型選擇的環境與永續考量；GenAI 的法律風險（IP 侵權、偏誤輸出、信任流失、幻覺）；資料集特性；偏誤與變異的影響（過擬合、欠擬合）；偵測工具（標註品質分析、人工稽核、子群分析）；透明與可解釋（SageMaker Model Cards、SageMaker Clarify、Bedrock Model Evaluations）；可解釋性與效能的取捨；以人為本的設計（使用者回饋機制、AI 決策透明度）。

怎麼準備：概念題為主，但要能區分「偏誤」「變異」「過擬合」「欠擬合」四個詞 —— 這是最常被混用的一組。

第 5 章：安全、合規與治理（14%）

官方考什麼：IAM 角色與政策、加密、Macie、PrivateLink、責任共擔模型、Bedrock AgentCore Identity 與 Policy in AgentCore、Bedrock Guardrails；資料來源與血緣（data lineage、cataloging、Model Cards）；安全資料工程；安全與隱私考量（應用安全、威脅偵測、漏洞管理、prompt injection、傳輸與靜態加密、資料外洩防護、輸出過濾與驗證、AI 互動的稽核軌跡與日誌、毒性內容）；幻覺偵測與 grounding；治理與合規（AWS Config、Inspector、Artifact、CloudTrail、Trusted Advisor、資料生命週期與駐留、Generative AI Security Scoping Matrix）。

怎麼準備：這章與第 4 章合計 28%，跟第 3 章一樣重，但多數人準備得最少。Generative AI Security Scoping Matrix 是 AWS 自己的框架，官方點名進考綱，值得專門讀一次。

四週時程與換算依據

換算方式：這張是知識型考試，官方預設考生「使用但不建置」，沒有需要動手訓練或部署的章節，所以時程主要由內容量決定，而不是實作時間。以權重配比，第 3 章給最多，第 4、5 章合併處理。

以每週 5–8 小時、共四週估算：

為什麼是四週而不是八週：對照站內的 PMLE 備考路徑，那張是 professional 級、官方建議 3 年經驗、且第 3 到 5 章需要實際訓練與部署，所以八週。AIF-C01 官方預設的經驗值是「六個月接觸」，沒有實作章節，內容量大約是前者的一半。

失敗成本低，時程可以積極一點。 AWS 的重考政策是沒過等 14 天、次數無上限（每次全額付費）。這跟 Google 的「兩年 4 次、第三次沒過等一年」是完全不同的風險結構 —— 在 AWS 這邊，$100 的試錯成本是可以接受的。

官方材料優先序：Exam Prep Plan（AIF-C01）（19 個項目、22 小時 50 分，AWS 自己推薦的完整路徑）→ Official Practice Question Set（免費，20 題，官方寫「developed by AWS, demonstrate the style of our certification exams」）→ AI Practitioner Learning Plan（8 小時）。Official Pretest 與 Official Practice Exam 標示為 Subscription，需要付費訂閱，官方頁寫「The Individual subscription starts at $29 USD per month」。

考完之後：續期與重考

效期 3 年，三條續期路徑（依官方 recertification 頁）：重考 AIF-C01、或考過 MLA-C01、或考過 AIP-C01，任一種都 +3 年，而且都能用 AWS Certification Account 裡的五折券。

沒有「上課換效期」這條路。 AWS 有 maintain（+1 年，Skill Builder 付費訂閱）機制，但只開放給 SAA、Developer、CloudOps、SAP、DOP —— AIF-C01 的選項欄裡只有考試。

考過之後兩年內不能重考同一張。 所以想靠重考提前續期是行不通的，除非它改版換了代碼。

會過期的東西（下次複查看這裡）

參考資料

• AWS Certified AI Practitioner 官方認證頁
• AIF-C01 官方 exam guide（HTML）
• AIF-C01 exam guide 改版紀錄（v1.0 → v1.1 逐條對照）
• AWS Skill Builder — AIF-C01 Exam Prep
• AWS Recertification（續期路徑與五折券）
• AWS Certification — After Testing（重考政策）
• AWS Certification — Before Testing（ESL +30 分鐘與報考規則）

站內相關

• 2026 年工程師 AI 證照有哪些
• Google PMLE 備考路徑
• Claude Certified Architect Foundations 備考指南