AI 博客
一文看懂 RAG:讓 AI 先查資料再回答
檢索增強生成讓 AI 先查閱你的資料再作答,使回應更即時、更可核實。
CinderHub 編輯部1 分鐘閱讀
檢索增強生成(RAG)是把語言模型配上一個檢索步驟。模型回答前,會先從你自己的資料(支援文件、產品規格、歷史工單)取出最相關的片段,當作上下文餵給模型。模型便以這些事實作答,而不只依賴訓練時記下的內容。
實際好處是能答出基礎模型無從得知的事:本季定價、內部政策、上週的更新紀錄。做法是把文件切成約 300 至 800 個 token 的片段,轉成向量嵌入,存入 pgvector 或 Pinecone 這類向量資料庫,查詢時取回最相近的 5 至 8 筆。務必保留來源引用,讓答案可供查核。
在 CinderHub,同一個檢索層可以把聊天回覆、分鏡腳本或圖像提示都錨定在你的品牌素材上,讓每個模型都取用同一份可信來源。建議由小做起:先索引一份常見問答,用固定題庫評估答案品質,調好片段大小與檢索數量,再擴展到完整知識庫。
- retrieval augmented generation
- RAG
- 向量資料庫
- embeddings
- AI 知識庫
- CinderHub
想試吓 CinderHub?
免費開始