系列文章
Day01 - 為什麼需要 LLMOps？與傳統 MLOps 差異
🔹 前言 過去幾年，大家談 MLOps（Machine Learning Operations）時，重點都放在「如何讓機器學習模型可以產品化與維運」。 但隨著...
Day02 - 企業知識庫 RAG 系統設計：從需求拆解開始
🔹 前言 通常工程師們在接到新任務的時候會由 PM (Product Manager) 產生 PRD。今天，我們也要照這個流程，先來釐清「為什麼」要做這個專案，...
Day03 - LLMOps 開發環境準備：Docker + Conda
🔹 前言 昨天（Day 2）我們扮演了 PM，把專案的需求、目標和架構拆解清楚。 今天開始，就要進入實作階段了，專案程式碼已放在 GitHub，之後如果有 De...
Day04 - 向量資料庫（Vector Database）- 常見選項與實務比較
🔹 前言 在 LLMOps 的世界裡，向量資料庫 (Vector Database) 幾乎是 RAG（Retrieval-Augmented Generatio...
Day05 - 向量模型（Embedding）- 四種 Embedding 模型實測與選型
🔹 前言 昨天 (Day 4) 我們比較了 向量資料庫，解決了「知識要存在哪裡，怎麼檢索」的問題。 但在 RAG (Retrieval-Augmented Ge...
Day06 - RAG 檢索增強生成入門：最小可行 Demo 實作
🔹 前言 前兩天我們分別搞定了 RAG 的兩個基礎拼圖： Day 4 向量資料庫 → 負責「存資料」以及「找尋片段」 Day 5 Embedding 模型...
Day07 - 最小可行的 RAG QA Bot（Web 版 MVP）
🔹 前言 昨天 (Day 6) 我們第一次跑出 Minimal RAG QA Bot，流程是： 使用者提問 → Embedding → 檢索 → LLM 回答。...
Day08 - RAG 資料預處理：文件清洗與 Chunking 切片策略
🔹 前言 昨天我們做了一個最小可行的 QA Bot，但知識庫的單位是「整句 FAQ」，格式非常乾淨。 然而真實情況下，文件來源可能包含： Word / PDF...
Day09 - RAG 索引建置：向量化與 FAISS 索引實作
🔹 前言 昨天（Day 8）我們完成了兩件重要的事： 文件清洗 (Cleaning) → 把雜訊、廣告、過長段落處理乾淨，確保知識來源乾淨。 文件切片 (...
Day10 - RAG 查詢實作：Retriever＋Reranker 與模型評測
🔹 前言 昨天（Day 9）我們已經完成了 文件向量化 和 索引建立，現在我們擁有一個能快速查詢的向量資料庫。 但光靠索引檢索出來的結果，往往只是一個「初步的...