在過去的幾天裡，我們的 AI 報告都是 一次性生成，分析完就結束。
但如果我今天查了 AAPL，明天查了 TSLA，AI 並不會記得我昨天的分析。

👉 解決辦法：讓 AI 拿到「自己的記憶」，把過去的分析記錄下來，之後再查詢時可以回顧與延伸。

這正是 向量資料庫 (Vector Database) 的用途。

核心概念

1. 向量化 (Embedding)：把文字（例如投資報告）轉換成數字向量。

2. 相似度搜尋 (Similarity Search)：當我們問「這家公司過去的分析是什麼？」時，向量資料庫能找到最相關的紀錄。

3. AI + 記憶：我們再把這些過去的紀錄丟回 LLM，讓它能「有記憶地」回答。

常見的向量資料庫：

• FAISS（Facebook 開源，輕量、好上手）

• Pinecone（雲端，適合大量資料）

• Weaviate / Milvus（開源，進階應用）

今天的實作，我們用 FAISS + Gemini API，方便在 Google Colab 執行。

建立向量資料庫並儲存投資報告

python
!pip install faiss-cpu google-generativeai

import faiss
import numpy as np
import google.generativeai as genai

# 設定 Gemini
genai.configure(api_key="YOUR_GEMINI_API_KEY")
embed_model = "models/embedding-001"

# 建立 FAISS index（128 維度示範，實際會依 embedding 向量維度調整）
dimension = 768
index = faiss.IndexFlatL2(dimension)

# 模擬存放的投資報告
reports = [
    "AAPL：蘋果營收持續成長，iPhone 銷售表現亮眼。",
    "TSLA：特斯拉交付量低於市場預期，股價短期承壓。",
    "MSFT：微軟雲端 Azure 業績超乎預期，AI 投資持續推進。"
]

# 轉換成向量並存入資料庫
vectors = []
for r in reports:
    emb = genai.embed_content(model=embed_model, content=r)
    vec = np.array(emb["embedding"], dtype="float32")
    vectors.append(vec)

vectors = np.vstack(vectors)
index.add(vectors)

print("✅ 已建立向量資料庫，共存入", index.ntotal, "筆資料")

查詢「AI 記憶」

現在，如果問「請回顧 AAPL 的分析紀錄」，我們就能從資料庫找到最相關的內容。

python
query = "請回顧 AAPL 的分析紀錄"
emb = genai.embed_content(model=embed_model, content=query)
query_vec = np.array(emb["embedding"], dtype="float32")

# 搜尋最相關的紀錄
D, I = index.search(np.array([query_vec]), k=2)
print("🔎 查詢結果：")
for i in I[0]:
    print("-", reports[i])

AI + 記憶的綜合回答

我們再把結果交給 Gemini，讓它生成「有記憶」的分析。

python
retrieved_reports = [reports[i] for i in I[0]]

prompt = f"""
以下是過去的投資分析紀錄：
{retrieved_reports}

請根據這些紀錄，提供一份針對 AAPL 的回顧與延伸解讀。
"""

model = genai.GenerativeModel("gemini-1.5-flash")
response = model.generate_content(prompt)

print("🧠 AI 有記憶的回應：")
print(response.text)

執行結果

結語

今天我們讓 AI 報告從「一次性」進化到「有記憶」。
透過 向量資料庫 + LLM，它能回顧過去的分析、做延伸解讀，未來甚至可以做「個人化投資助理」，根據你的持股紀錄來提醒風險。
👉 明天（Day 29），我們將回顧這 30 天的旅程，把學到的 AI 投資思維與技術重新整理，並思考如何應用到日常投資策略中。