HI！大家好，我是 Shammi 😊

呼~昨天成功將所有 SDGs 知識的向量，存入了一個高效的 FAISS 向量索引中。這個索引，就是我的 AI 機器人的「記憶中樞」。

接下來，將要實作 RAG 架構中最有趣的部分：檢索機制（Retrieval）。我會在此階段設計一個功能，讓機器人能夠根據使用者的問題，從這個向量索引中，快速且精準地找出最相關的 SDGs 內容。這一步，就是賦予我的 AI 聊天機器人「查閱能力」的關鍵。

🌐 一、檢索機制的工作原理

整個檢索過程其實非常直觀：
1️⃣ 使用者提問：例如，使用者問「氣候變遷有什麼應對措施？」
2️⃣ 問題向量化：使用與知識庫相同的 Embedding 模型（text-embedding-004），將這個問題轉換成一個向量。
3️⃣ 向量搜尋：接著，我將這個問題向量，送進 FAISS 索引中進行搜尋。FAISS 會找出與問題向量最接近（即語義最相似）的 k 個知識向量。
4️⃣ 取出原始內容：找到最相似的向量後，我就能透過這些向量的索引，取出對應的原始文字內容。
這些被找出來的文字內容，就是機器人接下來將會參考的「參考資料」。

🌐 二、實作教學：使用 FAISS 執行向量搜尋

接下來，我將使用 FAISS 來實作這個檢索功能。

步驟 1：載入套件與 FAISS 索引(新增程式碼區塊)

首先，需要載入必要的套件，並讀取我在 Day 8 儲存的 FAISS 索引。

import faiss
import numpy as np
import google.generativeai as genai
from google.colab import userdata

#載入金鑰
GOOGLE_API_KEY = userdata.get('GOOGLE_API_KEY')
genai.configure(api_key=GOOGLE_API_KEY)

#載入儲存的FAISS索引檔案
index = faiss.read_index("sdgs_faiss.index")

步驟 2：定義搜尋函式(新增程式碼區塊)

接下來將定義一個函式，它將負責整個檢索流程：將使用者問題向量化，然後在 FAISS 索引中進行搜尋。

def get_embedding(text, task_type="RETRIEVAL_QUERY"):
    """
    使用 text-embedding-004 進行向量化。
    注意：搜尋問題的 task_type 應設為 "RETRIEVAL_QUERY"。
    """
    response = genai.embed_content(
        model="models/text-embedding-004",
        content=text,
        task_type=task_type
    )
    return np.array(response['embedding']).astype('float32').reshape(1, -1)

def search_faiss_index(query, k=3):
    """
    將查詢問題轉換為向量，並在 FAISS 索引中搜尋最相似的 k 個向量。
    """
    query_vector = get_embedding(query)
    distances, indices = index.search(query_vector, k)

    return distances, indices

步驟 3：取得原始文字內容(新增程式碼區塊)

indices 傳回的是向量在我原始向量列表中的位置。透過這個索引，找到它對應的原始文字內容。

#執行搜尋範例
query = "永續利用海洋資源的方法有哪些？"
distances, indices = search_faiss_index(query, k=3)

#根據搜尋結果的索引，找出對應的原始文字
retrieved_chunks = [stored_chunks[i] for i in indices[0]]

print("從知識庫中檢索出的最相關內容：")
for chunk in retrieved_chunks:
    print("---")
    print(chunk)

參考結果：

注意：進行「全部執行」的功能時，要記得重新上傳PDF檔案哦。

總結

完成此階段的時候，執行最後的步驟會發現內容很亂，因為現在機器人還沒有「說人話」的能力，但也完成了 RAG 架構中的重要「檢索」機制，這樣一來，我的 AI 對話機器人現在已經具備了「查閱」知識庫的能力囉！

這些被檢索出來的內容，將會在明天的步驟中，作為「上下文（Context）」傳遞給大型語言模型（LLM），讓它能夠根據這些參考資料，生成一個精準、可靠的答案。這將是專案最重要的一步，也是 RAG 架構最獨特的核心所在！