前面 Day 12 已經讓 AI 可以從日常對話中記錄健康事件，Day 13 則開始分析這些事件有沒有形成值得注意的變化。

但接下來還有一個問題：

當使用者問「那我可以怎麼改善？」時，AI 的回答要從哪裡來？

如果直接讓 LLM 靠本身的知識回答，內容可能不夠可靠，甚至產生錯誤資訊。

所以今天開始加入 衛教 RAG。

RAG 是什麼？

RAG 全名是 Retrieval-Augmented Generation，也就是「檢索增強生成」。

簡單來說，就是讓 AI 在回答之前先搜尋相關資料。

使用者問題
↓
搜尋相關衛教資料
↓
找出最相關內容
↓
加入 LLM Context
↓
產生回答

這樣 AI 就不是完全依靠模型原本學到的知識，而是根據實際找到的資料回答。

衛教資料從哪裡來？

健康相關資料不能隨便從網路抓文章。

第一版會優先使用可信來源，例如：

衛生福利部
國民健康署
醫院衛教文章
政府公開健康資料

再把這些內容整理成自己的衛教知識庫。

建立第一版衛教知識庫

RAG 的第一步，是先把文件整理成可以搜尋的形式。

目前流程是：

衛教文件
↓
Text Cleaning
↓
Chunking
↓
Embedding
↓
Vector Database

因為一篇衛教文章通常很長，所以不會直接把整篇文章存成一筆，而是切成多個 Chunk。

例如一篇睡眠衛教文章，可以拆成：

規律作息
睡眠環境
咖啡因影響
睡前使用電子產品
什麼情況需要就醫

之後使用者詢問相關問題時，就可以只找到真正有關的段落。

Retrieval

例如使用者問：

最近一直睡不好，可以怎麼改善？

系統會先把這句話轉成 Embedding，再到 Vector Database 中搜尋語意最接近的內容。

User Query
↓
Query Embedding
↓
Vector Search
↓
Top-K Chunks

可能找到：

建立固定睡眠時間
睡前避免咖啡因
減少睡前使用手機

接著把這些內容和原本的問題一起交給 LLM。

第一版回答流程

完整流程就會變成：

使用者
「最近一直睡不好，可以怎麼改善？」

↓
Health Education RAG

↓
找到睡眠相關衛教內容

↓
LLM 根據資料整理回答

↓
衛教建議

在健康情境中，我也會限制 AI 的角色。

目前提供的是：

一般衛教資訊與健康知識整理，不進行疾病診斷。

如果使用者描述的是明顯嚴重或持續的症狀，仍然應該建議尋求專業醫療協助，而不是讓 AI 直接判斷疾病。

今天遇到的問題

做到 RAG 之後，我發現最重要的不只是搜尋準不準，而是：

放進知識庫的資料本身可不可靠。

另外 Chunk 大小、Top-K 數量、資料更新時間，也都會影響最後回答的品質。

所以健康 RAG 不只是把文章丟進 Vector Database，資料來源與品質同樣重要。

今天完成的核心

Day 12 解決：

記住健康資訊。

Day 13 解決：

看健康狀態有沒有變化。

Day 14 則開始讓 AI：

先找到可信的衛教資料，再根據資料回答健康問題。

目前健康功能逐漸變成：

Health Memory
↓
Health State Analysis
↓
Health Education RAG
↓
Health Response

下一步 Day 15，就可以把 Health Memory、Health State Analysis 和衛教 RAG 正式串在一起，讓 AI 不只知道一般健康知識，也能結合使用者自己的健康紀錄進行更個人化的回應。