之前的幾天我們已經把基礎都準備好了：文件切分、向量化、資料庫（pgvector 或 FAISS）。今天就來拼拼圖，完成一個最小版的 RAG（Retrieval-Augmented Generation）。

流程相當的簡單，可以分成三步：

查詢（Retrieval）
使用者丟問題進來，我們先把問題轉成向量，然後到資料庫裡找出最相關的幾段內容。

組合（Augment）
把找到的內容整理成一個「小抄」，附在 Prompt 裡交給模型。

生成（Generation）
模型再根據問題 + 小抄，生出最終答案。

舉例來說，如果我問「Python 適合做什麼？」

系統會先從資料庫找出「Python 特點、應用領域」的段落。

接著把這些內容附在問題後面。

最後模型輸出答案：「Python 常用於資料分析、AI、網頁後端…」。

這樣，模型就不是「憑印象回答」，而是「依資料回覆」。

雖然這只是最小雛型，功能還很陽春，但已經能解決一大痛點：減少 AI 胡說八道的機會。之後我們還能加入更聰明的檢索、rerank、甚至多資料來源整合，讓小幫手更強大。

就像蓋房子一樣，今天我們總算把第一層地基打好了！