昨天我們試了「直接餵資料」的方法，讓 AI 具有根據我們提供的內容回答問題的能力。不過，假設今天資料量一多的話（例如整本書、幾百篇文件），我們不可能每次都把全部內容丟給模型吧？這時候，就需要一個更聰明的方法──RAG（Retrieval-Augmented Generation，檢索增強生成）。

RAG 的流程其實很好懂：

先檢索（Retrieval）：當使用者問問題時，系統會去資料庫裡找出最相關的幾段內容。

再生成（Generation）：把這些內容和問題一起丟給模型，請它基於資料來回答。

這樣做有兩個好處：

避免亂答：AI 不會靠猜的，而是根據提供的資料回應。

省 Token：不用把整本書都丟進去，只丟最需要的幾段。

舉個例子，如果你做了一個「旅遊小幫手」，RAG 可以先從旅遊文章或官方資料庫裡，抓出「台北夜市」的相關段落，再讓 AI 幫你生成推薦行程。這樣結果會又準又自然。

所以說，RAG 就像是替 AI 加了一個「圖書館搜尋員」──先幫它找好需要的資料，再讓它回答問題。沒有這個步驟，AI 就只能憑印象亂講；有了 RAG，它就能真正結合知識庫，變得更可靠。