經過前面幾天的美食洗禮，大家是不是都覺得 AI 廚師很厲害了呢？但你有沒有想過，就算是最頂尖的廚師，如果給他的食材只有空氣，他能變出什麼樣的菜色呢？

這就是我們今天要探討的大問題。儘管大型語言模型（LLM）擁有龐大的通用知識，但它們的知識庫並非無限，更無法隨時更新。當你問它「我們公司上個月的財報如何？」或「我那份 500 頁的合約有什麼重點？」時，它肯定會一臉茫然，因為這些知識並不在它的「通用食譜」裡。

這時候，我們就需要一個能夠為 AI 補充外部知識的超級湯底，這就是 檢索增強生成 (Retrieval-Augmented Generation, RAG) 的核心概念。簡單來說，RAG 就是讓 AI 在回答問題前，先去外部的知識庫撈取相關資訊，然後再結合這些資訊與自身的生成能力，給出一個精準且有根據的答案。而我們的「湯底」呢，就是今天的主角：向量儲存庫 (Vector Stores)。

什麼是向量儲存庫？它如何儲存資訊的「語意」？

你可以把向量儲存庫想像成一個特殊的圖書館。一般的圖書館是按照書名、作者或主題來分類，但這個圖書館是根據「語意」來分類。每當你放入一本書（或一段文字），這個圖書館會請一個神奇的「語意師」（也就是嵌入模型, Embedding Model）將這段文字的「意義」轉換成一串數字，這串數字我們稱為向量 (Vector)。

這些向量有個超能力：意義相近的文字，它們的向量距離就會很近。當你提出一個問題時，語意師會先把你的問題也變成一個向量，然後在圖書館裡迅速找到那些向量距離最近的「書」，也就是與你問題最相關的資訊。接著，這些資訊就會被送給 AI 廚師，讓他能根據這些「新鮮食材」來回答你的問題。

建立我們的專屬湯底：資料模型塑模

在 Semantic Kernel 中，我們可以使用特定的屬性來定義我們的資料模型，告訴向量儲存庫如何儲存我們的資料。這就像在料理前，先為食材分門別類，準備好合適的容器。

我們需要用到以下幾個重要的屬性：

• [VectorStoreKey]：標記作為唯一識別碼的屬性，就像每本書的 ISBN。
• [VectorStoreData]：標記要被轉換成向量的屬性，也就是我們的「湯底」原料。
• [VectorStoreVector]：這個屬性會自動儲存轉換後的向量，你不需要自己處理。

讓我們以一個簡單的食譜資料庫為例：

using Microsoft.SemanticKernel.Memory;

public class Recipe
{
    [VectorStoreKey]
    public string Name { get; set; } = string.Empty;

    public string Type { get; set; } = string.Empty;

    public string Cuisine { get; set; } = string.Empty;

    [VectorStoreData]
    public string Description { get; set; } = string.Empty;

    [VectorStoreVector(1536)]
    public ReadOnlyMemory<float> DescriptionVector { get; set; }
}

在這個範例中，Name 作為唯一識別碼，Description 則是要被向量化的內容。DescriptionVector 則會自動儲存其向量。

連接你的湯底：以 InMemory 為例

定義好資料模型後，我們需要選擇一個容器來存放這些資料。Semantic Kernel 提供了多種選擇，最簡單的就是 InMemoryVectorStore，適合快速測試和輕量級應用。

var embeddingGenerator = new OpenAIClient(config["OpenAI:ApiKey"]!)
    .GetEmbeddingClient("text-embedding-ada-002")
    .AsIEmbeddingGenerator();

var vectorStore = new InMemoryVectorStore(new() { EmbeddingGenerator = embeddingGenerator });

今天，我們打下了 RAG 的堅實基礎，準備好了最棒的湯底。明天，我們將會學會如何將這些食材（資料）注入到湯底中，並學會如何「撈料」，讓 AI 廚師能精準地找到它想要的資訊。準備好你的湯勺，明天見！

完整程式碼範例