筆者透過觀察身邊的人發現使用chatgpt做vibe coding上，最容易讓人暴怒的點就是ai擅自更改了不想被更改的程式碼，也不會告訴使用者，並且比較健忘，說過不要隨意更改了，對話一陣子又會做出一樣的事情，gemini相對於gpt又更加健忘，常常造成程式碼越寫越煩躁的跡象，和AI討論後得出以下幾點問題:

📝 擅自修改程式碼卻不告知原因

🧠 健忘症嚴重，前一分鐘的約定下一分鐘就忘

😤 不懂讀空氣，無法察覺使用者的挫折感

🔄 重複犯錯，讓開發體驗越來越糟糕

理想上，筆者希望EmoRAG整合AI編程助手能夠：

🔍 記住你的偏好：將你的程式風格和約定儲存起來

📚 累積互動歷史：學習你的工作模式和習慣

⚡ 即時檢索相關脈絡：在每次互動中調用相關經驗

所以希望透過RAG模型在30天內做一個入門學習筆記，並且理論和實務並進，

實務上，模型訓練之類的需要比較多時間，這邊只會做一個讀者也可以一起學習的簡單程式。

理論上，會比較傳統特徵工程和RAG的使用情境、如今AI編程工具生態分析、看到解決AI編程工具有的四點問題的可能性。

檢索增強生成(RAG, Retrieval-Augmented Generation)介紹

檢索增強生成 （RAG） 是 Meta 於 2020 年推出的框架，可將 LLM 連接到您的外部數據。最先進的 LLM 結合了三種技術：檢索、增強和生成，它們協同工作，為我們提供最新且準確的資訊。

通過結合這三種技術;RAG 生成流暢的對話式答案（就像 ChatGPT 一樣），同時也從可靠來源提取數據。
詳細介紹可見此文章
舉例來說，當有人問「牙周病手術要花多少錢？」

檢索(Retrieve)：

先到外部來源（如健保網站、醫療院所公告、醫療相關文件）搜尋與「牙周病手術費用」相關的最新資訊。

擴增(Augment)：

將剛剛檢索到的外部醫療費用資訊，跟自己知識結合，把這些內容（例如費用範圍、健保補助規定）當成輔助材料餵給生成模型。然後模型就能根據查到的資料，生成貼合問題情境、具體且有參考依據的自然語句，而不是照抄知識來源。

生成(Generation)：

用自己的語言重組擴增的資料，給出「牙周病手術在台灣多數項目由健保補助，部分特殊手術需自費，金額會根據醫院及治療方式不同而變動，大約落在150到470元之間」這樣的答案。

整體架構概覽

import langgraph
from deepface import DeepFace
import chromadb
import streamlit as st

# 建立EmoRAG專案結構
def setup_emorag_project():
    """初始化EmoRAG專案結構"""
    project_structure = {
        'data/': ['text/', 'images/', 'videos/'],
        'models/': ['text_emotion/', 'image_emotion/', 'video_emotion/'],
        'agents/': ['retrieval/', 'generation/', 'emotion/'],
        'experiments/': ['baselines/', 'comparisons/']
    }
    return create_project_dirs(project_structure)

第一部分：基礎建設與文字情緒辨識

第1天：EmoRAG專案初始化與環境建置

• 實作目標： 建立完整開發環境

第2天：文字預處理與基礎情緒辨識

• 實作目標： 實作中文文字情緒分析器

第3天：關鍵字檢索實作與情緒標籤

• 實作目標： 建立帶情緒標籤的BM25檢索系統

第4天：向量檢索與情緒嵌入

• 實作目標： 實作情緒感知的向量檢索

第5天：混合檢索與情緒加權

• 實作目標： 結合BM25和向量檢索，加入情緒權重

第6天：LangGraph基礎與EmoRAG Graph設計

• 實作目標： 使用LangGraph建立EmoRAG工作流程

第7天：文字EmoRAG基礎測試與評估

• 實作目標： 建立測試框架，評估文字情緒RAG效果

第二部分：圖像情緒辨識與RAG整合

第8天：OpenCV與DeepFace圖像情緒辨識

• 實作目標： 實作圖像情緒分析器

第9天：圖像特徵嵌入與檢索

• 實作目標： 建立圖像情緒檢索系統

第10天：多模態EmoRAG架構設計

• 實作目標： 整合文字和圖像的多模態情緒RAG

第11天：Rerank模型實作與比較

• 實作目標： 實作多種rerank策略比較

第12天：情緒上下文的Prompt Engineering

• 實作目標： 設計情緒感知的提示模板

第13天：實時圖像情緒檢測與串流

• 實作目標： 實作攝影機即時情緒檢測

第14天：多模態檢索效果評測

• 實作目標：** 建立多模態RAG系統評測框架

第15天：MediaPipe人臉特徵點偵測

• 實作目標： 使用MediaPipe進行影片情緒分析

第三部分：系統性分析AI編程工具生態

第16天：AI編程助手全景分析

文章重點：將八種reasoning models和八種specialized tools做分類比較

• Reasoning Models (8個)
  ChatGPT系列：GPT-5統一推理系統、GPT-5 Thinking深度推理、GPT-4.1 mini高效方案
  Claude系列：Sonnet 4領先72.7% SWE-bench、3.7混合推理模型
  Gemini系列：2.5 Pro目前編程最強63.8%、2.0 Flash多模態支援

• Specialized Tools (8個)
  v0.dev（前端專精）、Bolt.new（全棧生成）、Cursor AI（AI-first IDE）、GitHub Copilot（廣泛採用）、Replit AI（雲端IDE）、Continue.dev（開源方案）、Tabnine（企業隱私）、Windsurf（次世代IDE）

第17天：Reasoning Models深度對決

文章重點：推理機制差異分析，ChatGPT-5智能路由系統 vs Gemini 2.5 Pro編程領先 vs Claude Sonnet 4解釋性最強

第18天：專門化工具深度剖析

文章重點：專門工具技術路線，前端開發、全棧應用、大型專案、團隊協作四大場景對比

第19天：多模態與長上下文評估

文章重點：1M tokens實際價值分析，Gemini 2.5 Pro超長上下文 vs Claude 3.7高品質處理 vs GPT-4.1平衡方案

第20天：四大痛點解決方案評估

綜合分析：變更說明、記憶技術、情緒感知、錯誤防範的現有方案成熟度

第21天：新興技術與發展趨勢

前沿探討：Agentic AI發展、本地部署趨勢、混合雲架構、技術標準化

第22天：行業實戰案例分析

實用導向：FAANG採用策略、新創vs企業差異、ROI計算實例、風險評估

第23天：EmoRAG結合AI編程助手競爭優勢總結

第四部分：AI編程助手優化設計藍圖

第24天：AI編程助手記憶系統設計：解決LLM健忘症問題(上)

設計重點：持久化記憶與上下文管理。

第25天：AI編程助手記憶系統設計：解決LLM健忘症問題(下)

設計重點：持久化記憶與上下文管理。

第26天：程式碼變更追蹤系統：解決擅自修改不告知問題(上)

設計重點：版本控制與變更說明機制

第27天：程式碼變更追蹤系統：解決擅自修改不告知問題(下)

設計重點：版本控制與變更說明機制

第28天：用戶情緒感知系統：讓Agent學會讀空氣(上)

設計重點：情緒辨識與回應策略

第29天：用戶情緒感知系統：讓Agent學會讀空氣(下)

設計重點：情緒辨識與回應策略

第30天：總結

(以上架構由筆者和Perplexity共同撰寫)