昨天聊到 RAG，需要先「找出相關的資料」再交給 AI，但問題來了：如果一份文件很長，AI 怎麼知道哪一段才有用？這就牽涉到兩個關鍵步驟：文件切分和向量化。

文件切分（Chunking） 就是把一份長文章拆成小段落。為什麼要拆？因為模型有 token 限制，而且長篇內容不容易精準比對。比如一篇 10 頁的報告，我們可以切成一小段一小段（像 200~500 字），之後才能方便搜尋。

接著是 向量化（Embedding）。這一步就是把文字轉成一串數字向量，代表它的語意。想像每一段文字都被丟進一個「多維空間」，相似的內容就會靠得很近。當使用者問問題時，我們也把問題轉成向量，然後去比對哪幾段最接近，再交給 AI 回答。

舉例來說，假設使用者問「Python 適合做什麼？」系統就會比對 embedding，找到「Python 用途」那幾段，而不是把整本教材搬給 AI。

簡單來說：

切分是把大書切成小卡片。

向量化是幫卡片貼上「語意座標」。

之後查資料，就是在座標空間裡找最近的卡片。

這樣，AI 小幫手就能真正「精準檢索」，回答更專業。