前情提要：昨天我們成功串接了輕量級的 API 來抓取股價。
本日目標：今天我們要為系統準備最後一個指令 /future-self 的核心靈魂。我們將介紹當紅的 RAG 技術，並示範如何捨棄龐大的向量資料庫，用純 Python 手工刻出一個「極簡版 RAG (Minimal RAG)」，把部落格的心法精準餵給 AI。

1. 什麼是 RAG (檢索增強生成)？ (The Meat)

RAG 的全名是 Retrieval-Augmented Generation (檢索增強生成)。
簡單來說，AI 就像一個非常聰明但沒讀過你私人筆記的大學生。當你想讓 AI 根據你的部落格文章來回答問題時，你需要先透過「檢索 (Retrieval)」把相關的文章段落找出來，然後把它跟使用者的問題綁在一起，送給 AI 進行「生成 (Generation)」。

通常的工業級做法是：

1. 把所有文章轉成一長串數字矩陣（稱為 Embedding 向量）。
2. 把這些矩陣存進龐大的 向量資料庫 (Vector DB)（如 Pinecone, Chroma）。
3. 當使用者發問時，也把問題轉成向量，然後透過計算 餘弦相似度 (Cosine Similarity) 來找出最接近的文章段落。

2. 拒絕殺雞用牛刀：為什麼我們不裝 Vector DB？

很多教學遇到 RAG，第一個直覺就是教你裝一套重量級的向量資料庫。但在我們的專案中，我們要傳達的「部落格心法」其實只有最重要的幾個觀念（人力資本、槓桿清算、安心防線）。

為了這幾句話去建立並維護整個第三方資料庫連線，不只拖慢了系統效能，更大幅增加了我們程式碼的脆弱度。

最佳解法：純手工極簡 RAG (Minimal RAG)。
既然觀念不多，我們何不自己定義向量？我們用最純粹的 Python，自己寫出一個輕量級的檢索引擎。0 依賴、0 延遲，卻能達到 100% 精準的「知識檢索」。

3. 實作核心：極簡的 RAG 引擎結構 (Code Snippet)

我們在專案中實作了 blog_rag_engine.py 與對應的 blog_chunks.json。我們手動定義了四個維度的特徵（例如：[破產槓桿, 醫療危機, 職涯成長, 財務自由]）。

當玩家的模擬結果出爐時，我們將玩家的狀態轉化為一個 Query 向量，並透過我們手寫的餘弦相似度函式，找出最適合的部落格名言：

# blog_rag_engine.py 的核心片段
def cosine_similarity(self, vec1, vec2):
    dot_product = sum(a * b for a, b in zip(vec1, vec2))
    norm_a = math.sqrt(sum(a * a for a in vec1))
    norm_b = math.sqrt(sum(b * b for b in vec2))
    if norm_a == 0 or norm_b == 0:
        return 0.0
    return dot_product / (norm_a * norm_b)

def retrieve_wisdom(self, query_vector, top_k=1):
    results = []
    for chunk in self.knowledge_base:
        # 計算玩家狀態向量與文章向量的相似度
        score = self.cosine_similarity(query_vector, chunk["embedding"])
        results.append((score, chunk))
    # 回傳最相關的部落格金句
    results.sort(key=lambda x: x[0], reverse=True)
    return [chunk for score, chunk in results[:top_k]]

你看，我們用不到 50 行的純 Python 程式碼，就完美實現了 RAG 的核心靈魂。這不僅維護成本極低，更能確保 AI 能根據玩家「破產」或「提早退休」的精準狀態，給出最適合的雞湯。

4. 今日總結與明日預告

今天我們實作了RAG，只要了解 RAG 的底層原理（計算向量相似度），有時候一段純 Python 的陣列運算，就可以高很效。這就是極簡設計的魅力。

思考題：如果是你，你會想把哪一句你最喜歡的名言或心法，寫進 blog_chunks.json 裡面？

明日預告：萬事俱備！明天（Day 29），我們將迎接情感的大結局。我們將親自觸發 /future-self 指令，利用今天寫好的 Minimal RAG 引擎，看看 60 歲的自己，會跨越時空對我們說些什麼。準備好衛生紙吧！

• 🔗 專案 GitHub 倉庫：first-policy-ai