在過去的 25 天裡，我們一直在「教導」AI。我們給它指令、給它範例、設定它的角色。但這個過程，始終是我們在單向地「餵養」它。

有沒有一種可能，讓 AI 能「主動學習」？讓它能像一個真正的助理一樣，去閱讀你提供的文件、報告，並根據這些「你獨有的知識」來回答問題？

答案是肯定的。這個技術，就是當今 AI 領域最熱門的 RAG (Retrieval-Augmented Generation)，中文稱為「檢索增強生成」。

▋什麼是 RAG？一個「開書測驗」的比喻

為了讓你秒懂，我們再來打個比方：

傳統的 AI (沒有 RAG)：就像一場「閉書測驗」。AI 只能憑它腦中「已經記住」的公開網路知識來回答，如果遇到你公司的內部資料或你個人的獨特觀點，它就只能猜測或胡說八道。

有 RAG 的 AI：就像一場「開書測驗」。當你問問題時，AI 不會只憑記憶回答。它會先快速地翻閱你「指定的那幾本書（你的私有文件）」，然後根據書裡的內容，精準地回答你的問題。

這個「開書測驗」的模式，就是 RAG 的精髓。它讓 AI 的回答有根有據 (Grounded)，極大地提升了準確性和客製化程度。而 Vertex AI Search，就是讓我們能以「無程式碼」方式實現 RAG 的強大工具。

▋實戰開始：打造你的第一個「品牌知識庫」

今天，我們將不使用 Generative AI Studio，而是進入一個新的服務。

第一步：準備你的「知識庫文件」

首先，我們需要一本「參考書」。

操作：打開一個文字編輯器，將我們 Day 07 建立的「品牌人設卡」的完整內容，複製貼上，並將其儲存為一個 .txt 或 .pdf 檔案，例如 brand_persona.pdf。

第二步：進入 Vertex AI Search 並建立應用程式

• 在 Google Cloud 控制台的左側選單，找到並點擊「Vertex AI Search and Conversation」。
• 點擊「建立應用程式 (Create App)」。
• 在應用程式類型中，選擇「搜尋 (Search)」，然後點擊「繼續」。
• 為你的應用程式命名，例如 my-brand-knowledge-base，並選擇你的公司名稱和資料儲存地點。
• 點擊「建立」。

第三步：建立「資料儲存區」並上傳你的文件

現在，我們要為我們的「圖書館」建立一個「書架」。

• 在你的應用程式頁面中，點擊左側的「資料儲存區 (Data Stores)」。
• 點擊「+ 新增資料儲存區 (+ New Data Store)」。
• 在資料來源中，選擇「Cloud Storage」，然後點擊「繼續」。
• 系統會引導你建立一個新的 Cloud Storage 儲存桶，或者你可以選擇一個現有的。
• 建立完成後，將我們在第一步準備的 brand_persona.pdf 文件，上傳到這個 Cloud Storage 儲存桶中。
• 回到 Vertex AI Search 的設定頁面，確認資料儲存區已成功連接到這個儲存桶，然後點擊「建立」。

系統會開始「處理 (Indexing)」你的文件，這個過程就像圖書館員在為新書編目，可能需要幾分鐘時間。

第四步：在「預覽」中測試你的知識庫

當文件處理完成後，最神奇的時刻來了！
在你的應用程式頁面中，點擊左側的「預覽 (Preview)」。
你會看到一個類似搜尋引擎的介面。現在，你可以開始問一些「只有你的文件裡才有答案」的問題。

【測試問題範例】

• 「這個品牌的說話語氣是什麼？」
• 「這個品牌的核心價值觀有哪些？」
• 「根據品牌人設，當被問到『AI 會不會取代我』時，應該如何回答？」

你會驚訝地發現，AI 的回答不再是泛泛之談，而是精準地引用你 brand_persona.pdf 文件中的文字來回答。在回答的下方，你甚至能看到「引用來源 (Citations)」，直接連結到你原始文件的段落。
這證明了，AI 已經學會了「開書測驗」！

今天，我們學會了如何利用 Vertex AI Search，以完全不需要寫程式碼的方式，建立了一個專屬於我們品牌的私有知識庫。這項技能，是將通用 AI 模型，轉化為「真正懂你的專家助理」的最關鍵一步。

明天，我們將學習一項更細膩的技巧：如何科學地評估和優化我們的 Prompt，讓 AI 的回應品質更上一層樓。