到目前為止，我們已經能夠透過 API 呼叫 GenAI，打造簡單的應用程式（Day 9 的 Demo）。
但是，模型本身並不知道你的企業內部知識，例如：

公司的產品規格

FAQ 文件

專案報告

如果想讓 AI 回答「專屬於公司」的問題，就需要 資料整合。

1️⃣ 為什麼需要資料整合？

一般模型的限制：

訓練資料停留在某個時間點（不會即時更新）

無法存取你的私有資料

因此，必須將 外部知識引入，才能讓 AI 提供正確的專屬答案。
👉 這就是 RAG (檢索增強生成, Retrieval-Augmented Generation) 的核心精神。

2️⃣ RAG 基本流程

使用者提出問題

系統在 知識庫 中檢索相關資料

將檢索到的內容與使用者問題一起送進模型

模型基於上下文生成回覆

流程示意：

User 問題 → [知識檢索] → 文件片段 → [送入 GenAI] → 回答

3️⃣ Azure 與 GCP 的資料整合方案

Azure AI Foundry

可搭配 Azure Cognitive Search 作為知識檢索工具

與 Azure Blob / SharePoint / SQL 整合方便

提供 "On Your Data" 功能，能直接把文件接到 OpenAI 模型

GCP Vertex AI

可搭配 Vertex AI Search & Conversation（前身是 Dialogflow + Enterprise Search）

與 BigQuery、GCS (Google Cloud Storage) 緊密整合

適合大規模資料檢索

4️⃣ 簡單範例：FAQ 文件整合 (Azure Cognitive Search)

from openai import AzureOpenAI
import os

client = AzureOpenAI(
    api_key=os.getenv("AZURE_OPENAI_KEY"),
    api_version="2023-05-15",
    azure_endpoint=os.getenv("AZURE_OPENAI_ENDPOINT")
)

query = "我們的產品 A 的保固期限是多久？"

# 模擬已經檢索到 FAQ 文件中的一段
retrieved_doc = "產品 A 的保固期為兩年，並包含免費維修服務。"

response = client.chat.completions.create(
    model="gpt-35-turbo",
    messages=[
        {"role": "system", "content": "你是一個客服助理"},
        {"role": "user", "content": f"問題: {query}\n\n文件內容: {retrieved_doc}"}
    ]
)

print(response.choices[0].message.content)

5️⃣ 應用場景

智慧客服：根據 FAQ / 知識庫回答客戶問題

內部助理：幫員工快速找到 HR / IT / 專案資訊

法規與合規查詢：將法規文件整合，提供精準回答

6️⃣ 小結

今天我們學會：

為什麼需要將 企業知識 + GenAI 整合

什麼是 RAG，以及它的基本流程

Azure 與 GCP 分別如何做資料整合

簡單的 FAQ 整合範例