目標 : 一個完整可操作的 FAQ 問答系統，並搭配簡單 UI（Gradio）

準備 :

• 建立 10 條 FAQ 資料集
• 用 sentence-transformers 做 embedding
• 用小型向量庫（FAISS 或 Chroma）儲存並檢索
• 用 LLM（本地小模型或 API）把檢索結果組成回答（簡易 RAG）
• 用 Gradio 做一個簡單界面

RAG (Retrieval-Augmented Generation) :

• 檢索增強生成
• 結合了資訊檢索和大型語言模型（LLM）的技術，用來改善生成式 AI 的回答品質和準確性
• 當提出問題時，RAG 會先檢索和增強生成
• 核心優勢 :
  • 減少亂回答 : 因為有外部事實，所以減少亂回答的機會
  • 提供最新資訊 : RAG 可以連接到外部最新的資料
  • 引用來源 : RAG 可以提供資料來源
  • 客製化知識 : 可以讓 RAG 連接到你專屬的內部文件、企業報告或個人筆記，讓它成為一個專屬於你的知識助理
  • 成本效益：相較於需要重新訓練整個大型語言模型來更新知識，使用 RAG 來連接外部資料庫會更有效率且成本更低
• 運作流程
  • 提問
  • 檢索
  • 準備提示字
  • 生成答案
  • 呈現結果

** Gradio** : 快速建立基於網頁的使用者介面 (UI)

• 核心概念 :
  • 定義輸入和輸出 : 需要什麼樣的輸入，會產生什麼樣的輸出
  • 建立介面 : 告訴 Gradio 模型是哪個函式，以及它的輸入和輸出類型。Gradio 會自動建立對應的網頁元件，像是上傳圖片的按鈕、輸入文字的欄位或顯示結果的區塊
  • 啟動介面 : 執行 Gradio 的程式碼後，它會在本機的瀏覽器上開啟一個網頁，也可以設定讓它產生一個公開的連結，方便分享給其他人試用