昨天我們成功打造了超強的米其林級湯底——向量儲存庫，但光有湯底還不夠，你總不能讓客人喝清水吧？今天，我們就要學習如何把「新鮮食材」（外部資料）放進湯裡，並在客人點餐時，精準地從湯裡撈出最對味的料。這就是 RAG 應用的第二步：資料注入 (Upsert) 與 向量搜尋 (SearchAsync)。

讓資料入湯：Upsert 的魔法

Upsert 這個詞是 Update 和 Insert 的組合，意思是如果資料存在就更新，不存在就新增。在我們的「湯底」情境中，Upsert 就是將文字資料轉換成向量，然後儲存到向量儲存庫中。

Semantic Kernel 讓這個過程變得非常簡單，你只需要建立一個 MemoryStore 物件，並告訴它要使用的向量儲存庫和嵌入模型 (Embedding Model)。

using Microsoft.SemanticKernel.Memory;
using Microsoft.SemanticKernel.Connectors.OpenAI; 

// 假設你已經設定好 Kernel 和 OpenAI 服務
// 這是我們昨天定義的 Recipe 類別
var collection = vectorStore.GetCollection<string, Recipe>("Recipe");
// 建立 collection
await collection.EnsureCollectionExistsAsync();

// 準備我們的「食譜」資料
var recipes = new List<Recipe>
{
    new() { Name = "麻婆豆腐", Cuisine = "川菜", Type = "主菜", Description = "麻、辣、燙、嫩、酥、香，這六個字完美地詮釋了麻婆豆腐的精髓。一道極具代表性的川菜，吃起來溫暖又過癮。" },
    new() { Name = "宮保雞丁", Cuisine = "川菜", Type = "主菜", Description = "以雞丁、乾辣椒、花生米、花椒粒等材料烹炒而成，鹹甜微辣，醬汁濃郁，是道經典的家常菜。" },
    new() { Name = "三杯雞", Cuisine = "台菜", Type = "主菜", Description = "以一杯麻油、一杯醬油、一杯米酒烹調的台式經典名菜，香氣四溢，配飯一流。" },
};

// 進行資料注入，Semantic Kernel 會自動將 Description 轉成向量並存入
await recipeStore.UpsertAsync(recipes);

Console.WriteLine("食譜資料已成功加入湯底！");

這段程式碼中，recipeStore.UpsertAsync(recipes) 就是那句神奇的咒語！它會自動呼叫嵌入模型，將每道食譜的 Description 轉化為向量，然後連同其他屬性一起存到我們的 Qdrant 向量儲存庫中。

精準撈料：SearchAsync 的藝術

當客人問：「有沒有一道暖心又過癮的菜？」時，我們需要精準地從湯底中撈出最相關的食譜。這時，SearchAsync 就派上用場了。它會將你的問題轉換成向量，然後在資料庫中尋找語意上最接近的資料。

// 客人的問題
string question = "有什麼吃起來很溫暖又有點辣的菜？";

// 進行向量搜尋，尋找最相關的 3 個結果
var searchResults = recipeStore.SearchAsync(
    searchValue: question,
    top: 3 // 只撈取最相關的前 3 個結果
);

Console.WriteLine($"針對您的問題「{question}」，我從食譜資料庫中找到了以下結果：");

// 顯示搜尋結果
await foreach (var result in searchResults)
{
    Console.WriteLine($"\n--- 找到的食譜：{result.Record.Name} (相關度：{result.Score}) ---");
    Console.WriteLine($"描述：{result.Record.Description}");
}

這個範例中，SearchAsync 會自動處理所有複雜的細節，你只需要提供一個問題和想要撈取的數量。瞧，我們就這麼簡單地實現了語意搜尋！

過濾功能：讓撈料更精準

光靠語意搜尋有時還不夠，如果客人說：「我想找一道台式的、吃起來溫暖的菜」，我們就需要結合過濾 (Filter) 來進一步縮小範圍。

Semantic Kernel 允許你在 SearchAsync 中加入過濾條件。在 Qdrant 中，這就是一個 Filter 物件。

// 客人更精確的問題：我要找台菜，而且吃起來很溫暖
var morePreciseQuestion = "我想找一道溫暖又好吃的台式菜色";

// 向量搜尋後，再進行 LINQ 過濾
var filteredResults = collection.SearchAsync(
    searchValue: morePreciseQuestion,
    top: 10 // 這次先撈取多一點，再進行過濾
).Where(r => r.Record.Cuisine == "台菜");

Console.WriteLine($"\n針對您的問題「{morePreciseQuestion}」，我從台菜食譜中找到了以下結果：");

await foreach (var result in filteredResults)
{
    Console.WriteLine($"\n--- 找到的食譜：{result.Record.Name} (相關度：{result.Score}) ---");
    Console.WriteLine($"描述：{result.Record.Description}");
}

透過 filter 參數，我們可以精準地告訴向量儲存庫，我們只對 Cuisine 屬性為 "台菜" 的食譜感興趣。這就像在撈麵時，先用篩子把其他類型的麵條都過濾掉，只留下我們想要的。

今天我們學會了如何讓 AI 擁有外部知識，並能精準地從中檢索。明天，我們會把這個「湯底」的概念再提升一個層次，將 RAG 流程抽象化，讓 AI 能夠自主地進行外部搜尋！

完整程式碼範例