昨天說 RAG 像讓 LLM 開卷考：不用死背，考試時翻資料夾找答案。但動手做才發現，開卷考有個前提——你要先翻得到那一頁。整本課本丟給你卻不知道答案在第幾章，開卷跟沒開一樣。所以今天進入 Stage 2，只做一件事：給一個問題，要能找出最相關的段落，而且能量測準不準，不是看起來會動就好。

一、素材：一份虛構的《員工請假管理規範》

企業導入 LLM 第一個撞到的牆，是模型不知道公司內部資料，所以我自己造了一份擬真語料：《員工請假管理規範》，共 12 條，涵蓋特休申請與遞延結算、病假診斷證明、補休效期、婚喪假、家庭照顧假、職務代理人、緊急事故補請、曠職處分（聲明：內容純屬虛構）。之後整個系列都用這份文件。

二、實作：三步做出最小可用的檢索

第一步，把文件依「## 第 N 條」直接切成一條一段。不過真實文件不會這麼配合，留給明天談。

第二步，用 OpenAI 的 text-embedding-3-small 這個 embedding model 把 12 條條文一次全部轉成向量。每段文字變成一個 1536 維的數值向量，語意越接近、向量距離越近，「相關不相關」從一種感覺變成可以計算的數字。

第三步，使用者的問題同樣轉成向量，跟 12 條條文逐一算餘弦相似度，排序取前三名。整個「檢索」就這樣完成。

三、這樣做一次，到底花多少錢？

text-embedding-3-small 定價是每百萬 token 0.02 美元。把整份規範（12 條）加上 10 個測試問題全部 embedding 一次，實際用量：消耗 1801 tokens，成本約 0.000036 美元 ≈ 新台幣 0.0011 元（快取命中部分不計費）。

四、小實驗：10 個問題，實測準不準

Demo 部分總共設計了 10 題，分兩組：5 個直白問法，用詞跟文件幾乎一樣，例如「婚假總共有幾天？」；5 個口語問法，故意用文件沒出現過的講法，例如「加班換的假放到過期會怎樣？」（文件寫「補休」）、「特休沒休完會怎樣？」（文件寫「遞延與結算」）。每題事先標好預期條文，判定標準是 top-1 是否命中。

結果: 直白問法 5 題全中；口語問法 5 題中 2 題；總命中率 7/10。

五、沒中的那幾題，才是今天最有價值的部分

把沒命中的題目 top-3 攤開看：

1. 特休沒休完會怎樣？（預期第 3 條）→ top-1 是第 2 條（0.5588），第 3 條被擠到第三名（0.5274）
2. 沒來上班也沒跟任何人講，會有什麼後果？（預期第 12 條・曠職）→ top-1 是第 11 條（緊急事故之補請，0.4218），第 12 條連第三名都吊車尾（0.4078）
3. 小孩要打疫苗需要我帶去，可以請什麼假？（預期第 9 條・家庭照顧假）→ top-1 卻抓到第 4 條（病假，0.4270），正確答案只差 0.0008 分屈居第二

問題出在使用者說的話和文件寫的字是兩種語言：文件內容和口語通常沒幾個字重疊。Embedding 雖然抓語意不抓字面，但語意距離仍會被用詞拉開——相似度分數直接反映這件事。值得注意的是，正確答案往往就在 top-2、top-3，分數差距很小，代表方向沒錯，只是被表面用詞蓋過。

我今天不解決它，這是之後 query 改寫與 rerank 的主題，先把洞挖在這裡。但如果只跑一個 happy path demo，根本不會知道這個問題存在——這就是為什麼檢索要量測，不能用感覺驗收。

小結

一句話總結：

Embedding 不是讓程式「看懂」文字，是把「相關不相關」變成可以計算的距離。而且這個距離量得出來、也量得出極限——它會被「使用者的口語」和「文件的公文體」之間的用詞落差拉開。
今天還有一個沒解決的問題：這份文件一條剛好一段，是我運氣好。真實世界的文件是 30 頁的 PDF，切太大會塞爆 context，切太小語意會碎掉。到底要怎麼切？明天 Day 9：Chunking，我會拿三種切法實測給你看。

程式連結及請假文件:
https://drive.google.com/drive/folders/13an60AFCLHaoEISJV3ZxcKUWPsFMPCay?usp=drive_link
OpenAI Embeddings 文件：
https://developers.openai.com/api/docs/models/text-embedding-3-small
定價：
https://openai.com/api/pricing/