經過 22天的應用，包含對 LINE 和 Telegram 開發經驗的總結與反思，我發現雖然我的機器人現在能夠順利接收訊息、穩定回應，而且也搞定了那些讓我頭大的技術問題，但如果要讓它真正成為一個「懂」SDGs 的專業級 AI 夥伴，光是能回覆我覺得還不夠！我希望它的回答能更精準、更有深度，真的能幫助大家理解並參與永續發展。
今天，我想深入探討如何針對性地優化 Embedding（向量化）和提示詞（Prompt）策略，讓機器人不僅能說，更能「說得好」、「說得精」。
在 AI 時代，我們手上握有了強大的工具，但我相信，身為「個人」，我們可以運用 AI 科技為這個世界創造正面影響。我的專案目標，正是要透過 AI 機器人推廣 SDGs，讓更多夥伴參與永續活動。而要達成這個目標，機器人就必須成為 SDGs 領域的專家！
👉 避免泛泛而談： 通用型的 AI 模型雖然厲害，但它們畢竟是「什麼都懂一點」，對於 SDGs 這樣充滿專業術語、複雜概念和特定情境的領域，它們可能無法提供足夠精準和深入的資訊。
👉 提升回應質量： 我不希望我的機器人只是簡單地複製貼上資料，而是能夠真正理解使用者的問題，結合 SDGs 知識庫，給出有洞察力、有價值的回覆。這就像給它一套專門閱讀 SDGs 文件的「專業眼鏡」和一個專門思考 SDGs 的「智慧大腦」。
👉 強化推廣效果： 機器人回覆的品質越高，使用者對 SDGs 的理解就越深，也越能激發他們參與永續活動的熱情。這直接關係到我專案的最終目標。
要讓機器人更懂 SDGs，我將從兩個核心環節下手：Embedding 模型（理解之眼）和大型語言模型 (LLM) 的提示詞（思考與表達），這些優化我會在程式碼 system_prompt= 區塊上進行。
Embedding 模型負責將文字轉化為向量，這些向量就是機器人在知識庫中搜索的依據。如果 Embedding 不夠精準，就像戴著模糊的眼鏡讀書，即使書的內容再好也看不清楚。
👉 為什麼需要優化？
text-embedding-004 模型非常強大，但它是基於海量通用文本訓練的。SDGs 領域有其獨特的專業詞彙和概念關聯，通用模型可能無法完全捕捉這些細微的語義差異。👉 我的優化思考方向（並已體現在程式碼中）：
1️⃣ 精煉輸入文本： 確保輸入給 Embedding 模型的 SDGs 文本是乾淨的，沒有多餘的符號、空格，專業術語也盡量標準化，這能讓模型學習到更純粹的語義。
2️⃣ 明確設定 task_type：我會嚴格區分兩種 task_type：RETRIEVAL_DOCUMENT 適用於知識庫文本，而 RETRIEVAL_QUERY 則用於使用者問題。這就像是明確告訴模型：「這個向量是用來檢索的」，能幫助模型更好地理解這些向量的用途，大幅提高檢索相關性。
提示詞就像是給 LLM（大型語言模型）的詳細指令書，指導它如何思考和組織語言。即使檢索到的資料再精準，如果提示詞指令不夠明確，LLM 也可能無法發揮它的最大潛力。
👉 為什麼需要優化？
👉 我的優化思考方向（並已體現在程式碼中）：
1️⃣ 更具體的「系統提示」 (System Prompt)： 我會繼續精進阿米的角色設定，加入更多關於「如何針對 SDGs 進行專業、有深度回覆」的具體指示。例如，強調「引用或歸納 SDGs 目標」、「解釋 SDGs 如何實際應用於個人生活或社區」、「引導使用者思考 SDGs 的重要性」等。
2️⃣ 明確的「回答步驟」： 在提示詞中，我會把「回答步驟」寫得更精確，指導 LLM 依循嚴謹的邏輯來組織答案。例如：「分析使用者問題與 SDGs 目標的相關性」、「如果問題涉及多個 SDGs 目標，請嘗試整合說明其關聯性」、「當資料不足時，如何禮貌告知並引導提問相關問題」。
3️⃣ 持續迭代與測試： 提示詞優化不是一次性的任務，它需要不斷地測試、評估 LLM 的回覆，然後根據回饋再進行調整和改進。這就像調校一個精密的儀器，需要耐心和細心。
今天的挑戰文章，也讓我對 RAG 系統有了更深層次的理解。不再只是讓程式跑起來，而是要思考如何讓它變得更聰明、更專業！優化 Embedding 和提示詞策略，就像是為我的機器人換上了更清晰的眼睛和更聰明的大腦。
這份內容主要聚焦在這些優化的概念和策略。所有的程式碼實現細節，都已經完全整合在 Day 21 的程式碼中。我會持續在這個程式碼基礎上，根據這些優化策略進行微調和測試，讓我的 SDGs 智慧機器人達到一個全新的境界！
我相信，透過這些精心的調整，我的 SDGs 智慧機器人將會達到一個全新的境界！
iThome鐵人賽
看影片追技術
看更多