HI！大家好，我是 Shammi 😊

此次挑戰迎來了第一個週末了！大家週末愉快！
超怕週末太開心，一時忘記要發文了
今天就繼續吧！

目前進度是，已經準備好 AI 對話機器人的知識庫（SDGs的pdf內容），但…這些文字對電腦來說都還只是無意義的符號哦！

為了讓 AI 能夠「理解」這些文字的含義，並在海量資訊中進行比對，我需要將它們轉換成一串串數字向量。這個過程就是Embedding（文字轉向量），而執行這個任務的工具，就是 Embedding 模型。

今天的篇章就是先扮演「產品經理」的角色，對幾個主流的 Embedding 模型進行評估，最終選出最適合此專案運用的Embedding 模型囉！

🌐 一、為什麼 Embedding 模型是關鍵？

Embedding 模型的好壞，直接決定了機器人回答問題的準確度。想像一下，如果模型不夠精準，當使用者問「如何應對氣候變遷」時，機器人可能找到的是「氣候變遷的歷史」，而不是「具體的應對措施」。這種「語義理解」上的偏差，會嚴重影響 RAG 架構的成功。

因此，在開始建構向量資料庫之前，必須謹慎選擇大腦核心。

🌐 二、選手登場！主流 Embedding 模型綜合比較

為了做出最適合專案的選擇，我將目前市場上主流的 Embedding 模型進行了全面的整理與分析，其結果如下表所示：

主流 Embedding 模型綜合比較表

🌐 三、我的選擇與決策

最後，我權衡了以下幾個關鍵因素：
👉 效能：模型的精準度是否足以應付我的 SDGs 知識庫，確保我的機器人回答正確？
👉 成本：這是個人專案，是否能最大化利用免費資源，避免不必要的開銷？
👉 便利性：模型的 API 整合是否簡單，能讓我在 Colab 環境中順暢開發？

綜合考量後，我選擇了 Google 的 text-embedding-004 模型。

這樣做的原因有幾個：
1️⃣ 免費資源的延續：此專案從一開始就建立在 Colab 這個 Google 免費平台上。持續使用 Google 的 Embedding 模型，可以最大化地利用這個免費生態系，符合我的個人專案預算考量。
2️⃣ 整合的便利性：使用 google-generativeai 套件，我可以很輕鬆地在同一個程式碼中呼叫 Gemini LLM 和 Embedding 模型，讓開發流程更順暢。
3️⃣ 足夠的效能：儘管其他模型在某些評測上表現更佳，但對於SDGs 推廣專案而言，Google 模型的效能已經綽綽有餘，足以應付我的知識庫檢索需求。

總結

第六天也是決定模型的關鍵因子，因為這也會影響後續對話生成的精準度。今天完成了 Embedding 模型的分析與決策，並為此次的專案選定了最重要的「大腦核心🧠」。確定核心之後，下個步驟就可以正式開始打造 AI 機器人的記憶中樞：向量資料庫，讓後續的開發過程更順暢不卡關！