Day 30 總結報告：RAG 智能客服專案回顧與技術掌握

一、專案背景與整體目標

本專案圍繞「校園 FAQ 智慧客服」主題展開，目標是建立一個具備語義理解、精準檢索和智能生成能力的 Chatbot。

整體系統採用 RAG (Retrieval-Augmented Generation) 架構，成功整合了傳統向量檢索的高效性與大型語言模型 (LLM) 的生成能力，實現了從 「以問找答」到「以問生成答案」 的技術飛躍。

二、開發歷程回顧與技術里程碑

本專案從 Day 24 到 Day 29，實現了從數據準備到應用部署的完整流程。

三、RAG 系統架構總覽

技術棧整理

四、專案核心功能與技術亮點

本 Chatbot 專案的成功之處在於以下功能亮點：

1. 幻覺控制與安全規則：通過設定系統 Prompt 和相似度閾值，強制 LLM 僅根據知識庫回答，並在無相關資料時禮貌拒絕，有效控制了系統風險。
2. 對話記憶與連貫性：成功實現對話歷史的傳遞，使 LLM 具備上下文理解能力，支援多輪、連貫的問答體驗。
3. 系統透明度：自動顯示答案的引用來源（文件 metadata），極大增強了 Chatbot 回答的可信度。
4. 自動化品質評估：引入 ROUGE-L 和 BLEU 指標，提供了客觀的數據基礎來驗證和迭代系統的回答品質。

五、整體成效與未來展望

成效總結

• 準確率：系統表現出極高的穩定性，能從複雜的 FAQ 知識庫中準確回傳或生成高度相關的答案。
• 效能：透過 FAISS 索引和 LRU 快取，確保了系統的低延遲響應。
• 可擴充性：系統架構具有高度解耦性，只需更換 CSV 數據，即可快速擴展到其他語言或領域的客服應用。