目前為止，我們玩了一些LLM相關的東東，但不管是雲端或本地LLM，都有一個限制：它只能回答訓練時學到的知識，但無法知道最新的訊息。
所以今天要來介紹RAG是怎麼幫助AI獲取最新資訊的。

RAG是啥?他可以幹嘛?
RAG全名是Retrieval-Augmented Generation，檢索增強生成。
他的工作大致上分為兩步 :
1.檢索 (Retrieval)
從外部知識庫（文件、資料庫、網頁等）尋找相關段落。
通常透過向量資料庫（像FAISS、Pinecone、Weaviate等）實作。
2.生成 (Generation)
把搜尋到的文本加上使用者的問題，一起丟給LLM。
模型就可以根據這些資訊生成更精確的答案。

一些可以使用的工具與框架
LangChain：最常用的 RAG 框架，支援多種向量資料庫。
LlamaIndex（原名 GPT Index）：專注在「把文件轉換成索引」的流程。
向量資料庫：FAISS（本地）、Pinecone（雲端）、Weaviate（混合式）。
本地整合：如果搭配 ollama/llama.cpp，也能做簡單RAG。