40 lines
3.2 KiB
Markdown
40 lines
3.2 KiB
Markdown
# 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）
|