(圖片來源：由 Perplexity 協助生圖)

正如圖片所示，儲存飲食紀錄的目的之一，就是希望 AI 提供意見的時候，是根據自己的實際情況，而不是網路上漫無邊際的營養資訊，尤其是希望 AI 幫自己均衡一下飲食，給出具體的規劃時，更是如此

本日重點

• 動手打造個人化 FAQ 系統，串接 Flask 與前端互動
• 實作 RAG（Retrieval Augmented Generation）技術，提升 FAQ 智能回答效果
• 理解 FAQ 資料結構、檢索邏輯與 AI 回應生成流程
• 學習測試 FAQ 互動＆維護資料庫內容品質

一、專案實作：

整個 RAG 流程的核心在於「索引」和「查詢」。當一筆新的飲食紀錄儲存時，系統會更新索引；當使用者提問時，系統會查詢索引，找到相關資料，最後交給 AI 生成答案。

步驟一：資料來源與即時索引 (main_controller.py)

一切始於使用者儲存一筆飲食分析紀錄。

• 觸發點： main_controller.py 中的 /save_record 路由。
• 行為： 當使用者在結果頁按下「儲存這筆分析」按鈕時，前端會發送一個 AJAX 請求到這個路由。
• 關鍵程式碼：

 # controllers/main_controller.py -> save_record()
 # 儲存紀錄到資料庫
  db.session.add(record)
  db.session.commit()

  # 將新儲存的紀錄加入 RAG 索引
  try:
      index_record(record) 
  except Exception as e:
      print(f"RAG index failed: {e}")

• 補充說明： 在將紀錄存入資料庫後，程式會立刻呼叫 rag_service.py 中的 index_record(record) 函式，將這筆新資料即時地加入到 RAG 的「知識庫」中。

步驟二：混合式索引 (rag_service.py)

1. 倒排索引 (Inverted Index) - 關鍵字檢索

   • 結構： INVERTED_INDEX = defaultdict(set)
   • 原理： 這是一個經典的搜尋引擎技術。它儲存的是「哪個詞出現在哪些文件裡」。例如 {'羊肉': {1, 5}, '蛋白質': {1, 8, 9}}，表示ID為1和5的文件包含「羊肉」。
   • 關鍵程式碼 (index_record)：

     # in services/rag_service.py -> index_record()
     def index_record(record):
         doc_id = record.id
         text = f"{record.summary or ''} {record.nutrients_json or ''}"
     
         # 將文字切成字元
         tokens = tokenize(text) 
         DOC_TOKENS[doc_id] = tokens
         for t in tokens:
     
             # 更新倒排索引
             INVERTED_INDEX[t].add(doc_id) 
     

2. 向量索引 (Vector Index) - 語意檢索

   • 結構： DOC_EMBS = {}
   • 原理： 將每筆紀錄的文字轉換成一個由數字組成的「向量」（Embedding）。語意上相似的文字，其向量在空間中的距離也更近。
   • 關鍵程式碼 (index_record_vector)：

     # services/rag_service.py -> index_record_vector()
     def index_record_vector(record):
         text = f"{record.summary or ''} {record.nutrients_json or ''}"
     
         # 呼叫 Gemini API 取得向量
         emb = embeddings_service.get_embedding(text) 
     
         # 儲存向量
         DOC_EMBS[record.id] = emb 
     

   • Embedding 服務 (embeddings_service.py)： 這個檔案負責呼叫 Google Gemini API，將文字轉為向量。

步驟三：查詢與檢索 (main_controller.py & rag_service.py)

1. 填入想問的問題

2. 詢問：可以看到主要的參考資料(引用來源)

3. 當使用者在 RAG 頁面提問時，查詢流程啟動。

• 觸發點： main_controller.py 中的 /rag/query 路由。

• 程式碼：

  # controllers/main_controller.py -> rag_query()
  def rag_query():
      question = data.get('question', '').strip()
  
      # 1. 檢索 (Retrieval)
      from services.rag_service import query_records
  
      # 使用關鍵字檢索
      search_results = query_records(question, top_k=top_k) 
  
      # 2. 增強 (Augmented)：將檢索到的資料組合成上下文
      context_text = "\n".join(contexts) 
  
      # 3. 生成 (Generation)
      from services.gemini_service import generate_answer_from_context
  
      # 交給 LLM
      answer = generate_answer_from_context(question, context_text) 
  
      return jsonify({'answer': answer, 'sources': sources})
  

  4. 根據個人飲食紀錄給出建議

二、延伸閱讀

• OpenAI 官方說明，介紹 GPT 如何透過檢索增強生成，並減少幻覺風險。
  Retrieval-Augmented Generation (RAG) and Semantic Search for GPTs — OpenAI Help

• 維基百科條目，提供 RAG 的歷史背景、學術來源與技術變體。
  Retrieval-Augmented Generation (RAG) — Wikipedia

• 聚焦於 RAG 的安全與合規議題，解釋如何在企業環境中安全部署 RAG 模型。
  Nightfall AI Security 101: What is Retrieval-Augmented Generation (RAG)?