From 351ad45046facfda8f1953d23c00f9ac8a81a252 Mon Sep 17 00:00:00 2001 From: Leo Date: Sat, 18 Jul 2026 18:00:06 +0000 Subject: [PATCH] =?UTF-8?q?reset:=20=E6=AF=8F=E6=97=A5=E6=B8=85=E7=A9=BA?= =?UTF-8?q?=E7=94=A8=E6=88=B6=E6=B8=AC=E8=A9=A6=E5=8D=A1=20RAG=20=E8=AA=B2?= =?UTF-8?q?=E7=A8=8B=E7=9F=A5=E8=AD=98=E5=BA=AB=EF=BC=88G9=20=E8=87=AA?= =?UTF-8?q?=E5=8B=95=E4=B8=8B=E6=9E=B6=E5=B0=8D=E6=87=89=E7=9F=A5=E8=AD=98?= =?UTF-8?q?=EF=BC=89?= MIME-Version: 1.0 Content-Type: text/plain; charset=UTF-8 Content-Transfer-Encoding: 8bit --- system-dev/wiki/cards/RAG 課程知識庫.md | 39 ------------------------- 1 file changed, 39 deletions(-) delete mode 100644 system-dev/wiki/cards/RAG 課程知識庫.md diff --git a/system-dev/wiki/cards/RAG 課程知識庫.md b/system-dev/wiki/cards/RAG 課程知識庫.md deleted file mode 100644 index 4601540..0000000 --- a/system-dev/wiki/cards/RAG 課程知識庫.md +++ /dev/null @@ -1,39 +0,0 @@ -# RAG 課程知識庫 -## 一句話定義 -一種讓大型語言模型（LLM）在回答問題前，先從外部或私有知識庫檢索相關資訊以增強生成精確答案的技術。 -## 要點 -- RAG 讓 LLM 能結合世界級知識（大 L）與企業私有知識庫（小 L），解決模型知識截止日期及缺乏內部資訊的問題。 -- 寫入流程（Indexing Pipeline）將文件解析為文字，經由 Embedding 模型轉換成高維度向量，最後存入向量資料庫。 -- 查詢流程（Retrieval Pipeline）將使用者問題向量化，在向量資料庫中進行語義搜尋，將找到的片段提供給 LLM 生成回答。 -- Embedding 技術使 AI 能進行語義搜尋而非僅限於關鍵字比對，讓語意相近但字詞不同的內容也能被檢索。 -- Naive RAG 為基礎架構，適用於環境單純、數據量小且僅需查找或總結資料的場景。 -- HyDE 透過 LLM 先生成假設性答案再進行向量搜尋，用以解決使用者問題描述模糊的問題。 -- Corrective RAG 透過查詢分析器評估資料品質，若資訊過時或不相關則自動觸發網路搜尋補充最新資訊。 -- Graph RAG 透過知識圖譜生成器抽取實體與關係，使 AI 能理解資料間的關係結構而非僅是文字索引。 -- Adaptive RAG 根據問題複雜度自動決定路徑，簡單問題直接查詢，複雜問題則採取多步驟推理鏈。 -- Agentic RAG 具備短期與長期記憶、自主規劃能力（ReAct/CoT）以及多 Agent 協作能力，可整合 MCP Servers 呼叫外部工具。 -- 企業級 RAG 工程包含 ETL 資料清理、Embedding 模型微調、智慧切塊、向量儲存及 UI/UX 介面設計。 -- Graph RAG 可應用於網路、機器、投資等連續串流數據，透過模式匹配提供即時行動建議。 -## 關鍵實體 -- **RAG** — 檢索增強生成，讓 LLM 在回答時能先查詢外部知識庫。 -- **LLM** — 大型語言模型，負責理解問題、推理並生成回應。 -- **Embedding** — 將文字轉換成高維度數字向量的技術，用於語義搜尋。 -- **向量資料庫 (Vector DB)** — 儲存文字向量表示並支援語義相似度搜尋的資料庫。 -- **知識圖譜 (Knowledge Graph)** — 記錄實體間語義關係的網絡結構，用於深度理解脈絡。 -- **HyDE** — 透過生成假設性文件來提升模糊問題搜尋準確率的技術。 -- **Corrective RAG** — 能判斷資料過時並自動補充網路即時資訊的糾正型 RAG。 -- **Adaptive RAG** — 能根據問題複雜度自動調整查詢策略的自適應型 RAG。 -- **Agentic RAG** — 具備自主規劃、記憶管理與多代理協作能力的最高階 RAG 架構。 -- **ETL** — 資料抽取、轉換與載入的工程流程，用於 RAG 知識集準備。 -- **MCP Server** — 讓 AI Agent 能呼叫外部工具和服務的通訊協定。 -## 關聯 -- RAG >> 結合 >> LLM -- Embedding >> 轉換文字為向量 >> 向量資料庫 (Vector DB) -- Corrective RAG >> 觸發 >> 網路搜尋 -- Graph RAG >> 使用 >> 知識圖譜 (Knowledge Graph) -- Agentic RAG >> 呼叫 >> MCP Server -- ETL >> 提供資料給 >> RAG -- Adaptive RAG >> 決定 >> 推理鏈路 - ---- -來源原稿：`docs/RAG 課程知識庫.md`（AI 萃取定稿，rag_extract/gemma-4-31b-it）