HI！大家好，我是 Shammi 😊

在過去十天，我成功建構了 RAG 架構的核心骨幹，讓機器人可以從 PDF 知識庫中，找到並回答使用者的問題。但目前的機器人還像是一個圖書館的管理員，只會精準地丟出書裡的內容。

從今天開始，我要試著讓它學會「說人話」。先設計基本的對話流程，並將回答進行格式化，讓它看起來更像是一個真正的 AI 機器人。

🌐 一、為什麼需要對話邏輯與回覆格式化？

• 提升使用者體驗：一個好的對話機器人，應該能夠引導使用者，並讓他們感覺像是在和一個知識淵博的專家對話，而不是在和冷冰冰的程式碼互動。
• 確保回答清晰：透過格式化，我們可以將 LLM 生成的答案整理得更有條理，例如使用標題、條列式或粗體字，讓使用者能快速掌握重點。
• 應對無關問題：如果使用者提出的問題與 SDGs 無關，我希望機器人能禮貌地回絕，而不是隨便亂回答或丟出錯誤訊息，在測試提示詞的過程中，也發現機器人會「腦補」句子，這也是測試中要多多注意的一個重要環節。

🌐 二、實作教學：建立 RAG 機器人的對話迴圈

將 Day 10 的 RAG 流程，包裝進一個簡單的對話迴圈中。

步驟 1：整合完整的 RAG 流程函式

首先，先將 Day 10 中定義的 get_rag_answer 函式沿用過來。

這個函式將負責從接收問題、檢索、到生成答案的整個流程。

#程式碼無需再新增，僅示意步驟
def get_rag_answer(query):
    #step1. 將問題向量化 (檢索)
    query_vector = get_embedding(query)

    #step2. 在 FAISS 索引中搜尋
    distances, indices = index.search(query_vector, k=3)

    #step3. 取得最相關的原始內容
    retrieved_chunks = [stored_chunks[i] for i in indices[0]]

    #step4. 傳給 LLM 產生最終回覆 (生成)
    final_answer = generate_response(query, retrieved_chunks)

    return final_answer

步驟 2：建立對話迴圈與回覆格式化

接著，再撰寫一個 while 迴圈，讓機器人可以持續接收使用者的輸入，並將回覆進行簡單的格式化。

def chat_loop():
    print("嗨，我是 SDGs 知識機器人，我叫阿米！請問有什麼關於 SDGs 的問題嗎？")
    print("輸入 'exit' 或 'quit' 可以隨時結束對話。")
    
    while True:
        # 接收使用者輸入
        user_query = input("你：")
        
        # 檢查是否為結束指令
        if user_query.lower() in ['exit', 'quit']:
            print("阿米：期待下次為你服務！")
            break
        
        # 呼叫我們整合好的 RAG 函式
        answer = get_rag_answer(user_query)
        
        # 格式化並印出回覆
        print("\n" + "="*50)
        print("阿米：")
        print(answer)
        print("="*50 + "\n")

# 啟動對話迴圈
chat_loop()

在這個迴圈中，我們加上了簡單的結束指令，並用分隔線來讓每一輪的對話更清晰。

步驟 3：在 LLM Prompt 中加入格式化指令

為了讓回覆內容更有條理，我們可以在 Day 10 的 generate_response 函式中，修改 Prompt，直接要求 LLM 輸出帶有格式的內容。

def generate_response(query, retrieved_chunks):

    prompt = f"""
    你是一位專精於永續發展目標 (SDGs) 的專家。
    請根據以下提供的參考資料，簡潔且精準地回答使用者的問題。
    請使用 **Markdown 語法**來格式化你的回答，例如粗體、標題或條列式清單，讓回答更有條理。
    如果參考資料中沒有相關資訊，請禮貌地告知使用者。

    使用者問題：{query}

    參考資料：
    {context}
    """

(後段程式碼不變)請沿用 Day 10 generate_response 函式中，沒有被修改的程式碼，只更新 prompt 的內容即可。

這樣一來，LLM 在生成回覆時，就會自動幫我們整理出一個美觀又易讀的答案。

參考結果：

總結

今天的篇幅讓機器人加上了基本的對話邏輯，從一個單向的「問答機」升級為能持續互動的「聊天機器人」。
接下來，將進入專案下一個階段：功能擴充與優化。明天的文章，我將繼續探討如何加入更進階的功能，例如處理更複雜的對話，或是在回覆中加入原始資料來源的連結，讓機器人變得更加強大。🤖🤖🤖