Hi大家好，
這是我參加 iT 邦幫忙鐵人賽的第 1 次挑戰，這次的主題聚焦在結合 Python 爬蟲、RAG（檢索增強生成）與 AI，打造一套 PTT 文章智慧問答系統。在過程中，我會依照每天進度上傳程式碼到 GitHub ，方便大家參考學習。也歡迎留言或來信討論，我的信箱是 gerryearth@gmail.com。

今天，我們先從基礎概念出發，認識 RAG 的運作流程、向量資料庫的用途，以及 Pinecone 在專案中的關鍵角色，為後續的實作打好基礎。

今日目標

• 認識什麼是 RAG（檢索增強生成）
• 瞭解向量資料庫的用途與運作方式
• 介紹 Pinecone 並說明其功能
• 描述未來如何將 PTT 資料與 LLM 整合查詢

什麼是 RAG？

RAG（Retrieval-Augmented Generation） 是一種結合「檢索」與「生成」的 AI 架構。它能讓大型語言模型（如 Gemini / GPT）在生成回答時，參考外部知識來源，提高準確性並減少幻覺。

RAG 流程簡介：

1. 使用者輸入問題
2. 系統先「檢索」相關資料（如本地文章段落）
3. 將檢索結果傳給語言模型進行「生成回答」

為什麼不能只靠 LLM？

雖然大型語言模型擁有龐大的知識，但：

• 它的知識是訓練時「凍結」的（無法即時更新）
• 不適合回答即時性、公司內部、領域知識等問題
• 容易「胡說八道」出看似正確但實際錯誤的回答

解法：加上「檢索」機制，模型就能根據最新的知識來回答！

向量資料庫是什麼？

一般資料庫（如 MariaDB）無法根據「語意」查詢資料。但我們可以把每一段文字轉成一個「向量」（Vector），代表其語意內容，再用向量比對來做檢索！

向量查詢範例：

假設你輸入問題：「為什麼 PTT 八卦版總是那麼熱門？」
系統會：

1. 把這個問題轉成語意向量
2. 在所有文章段落中找到語意最相近的段落
3. 把找到的段落餵給 LLM，生成一段精準的回答！

Pinecone：專業的向量資料庫

Pinecone 是一個向量數據庫，專門設計來處理高維度向量資料，主要應用於相似度搜尋，例如在人工智慧和機器學習中的推薦系統、聊天機器人、圖像搜尋等場景。

會選擇 Pinecone 的最大原因是它有提供免費的額度，而且夠我們用來練習本次的專案！

之後我們也會將每篇文章切割成段落，並將段落向量儲存在 Pinecone 中，未來查詢時就能快速找到相關內容。

可參考此文章: Pinecone 申請與設定

Pinecone 使用方式簡介

1. 註冊 Pinecone 帳號，取得 API Key
2. 建立 Index（向量索引空間）
3. 傳送向量資料
4. 搭配 LangChain 或自行寫檢索邏輯與 LLM 整合

本專案未來實作預告

• 使用 Gemini Embedding API 將段落轉為向量
• 儲存到 Pinecone，並將文章 metadata 一併存入
• 實作語意檢索功能，支援上下文問答
• 結合 Django API 提供查詢與回答介面

明天【Day 17】建立向量資料庫基礎 - Gemini Embedding 與 Pinecone 初步串接
我們將開始動手，使用 Gemini API 將文章內容向量化，並實際將向量上傳至 Pinecone，打造語意檢索基礎！