Day 28 報告：RAG 系統優化與安全回答邏輯實作

一、優化目標與系統架構進化

本日核心目標是在 Day 26 的基礎上，強化 RAG 系統的魯棒性 (Robustness)、安全性 (Safety) 和效能 (Performance)。

二、程式碼解析：優化邏輯與安全機制

本版本程式碼（Day 27 改良版）延續了 Day 26 的數據載入邏輯，並對 chatbot_reply 函數進行了關鍵的優化。

(1) 效能強化：LRU 快取機制

為了避免每次使用者輸入時都重新計算 Embedding 和執行索引搜索，我們在 retrieve_from_db 函數上使用了 @lru_cache 裝飾器。

# 使用 LRU cache 儲存重複查詢結果，maxsize=100
@lru_cache(maxsize=100)
def retrieve_from_db(query):
    # ... 執行 Embedding 和 FAISS/NN 搜索 ...
    return results

優勢：當使用者重複詢問相同的問題時，RAG 系統可以直接從快取中獲取結果，顯著加快響應速度。

(2) 安全機制：未知問題處理邏輯

在 chatbot_reply 函數中，我引入了 相似度距離閾值 (best_distance > 1.0)，這是防止 RAG 系統「胡亂猜測」的關鍵機制。

# ===== 檢查距離（越小越相似） =====
best_distance = results[0]["distance"]

if best_distance > 1.0:  # 閾值判斷：距離過大，視為不相關
    return "抱歉，資料庫中沒有相關資訊。"

優勢：有效控制了系統的邊界，強制 Chatbot 在知識庫不足時拒絕回答，而不是生成不準確的內容。

(3) Prompt 模板與回答格式

雖然此版本的回覆仍直接輸出 FAQ 答案，但我們在輸出中加入了 SYSTEM_PROMPT 作為提示工程 (Prompt Engineering) 的示範，並限制了最終回答的長度。

SYSTEM_PROMPT = (
    "你是一個『google常見問題FAQ客服助理』，只能根據知識庫回答問題。\n"
    # ... 限制規則 ...
)
# ...
answer = (
    f"{SYSTEM_PROMPT}\n\n"
    # ... 輸出結果 ...
)
# 限制輸出長度
if len(answer) > 400:
    answer = answer[:400] + "..."

三、Gradio 介面與功能展示

本版本繼續使用 gr.ChatInterface，提供了清晰的對話泡泡介面，並新增了多個 examples 示範，包含已知問題和預期會被拒絕的未知問題，以便測試系統的邊界控制邏輯。