為什麼有這篇文

現在資訊爆炸，AI 相關技術的更新速度快到完全跟不上。一不留神，RAG（Retrieval-Augmented Generation，檢索增強生成）技術就已經蓬勃發展出各式各樣的專有名詞，從最基礎的 Naive RAG、Advanced RAG、Modular RAG、Agentic RAG、Self-RAG、LLM Wiki。

網路上大部分的教學文章都很零散，或你不知道他過時了沒。少數系統化的教學，卻又偏重學術理論，實務上要做的時候卻又不知道怎麼開始。

市面上的 AI 框架與工具一大堆（LangChain、LlamaIndex、Chroma、Qdrant、Reranker……），但很多時候我們只是照著範例貼上，根本不知道「為什麼現在需要這個工具？它解決了什麼問題？」。

為了解決這些焦慮與痛點，這系列文章誕生了。

這 30 天我們怎麼玩？

不直接講理論，也不純做工具開箱。
這 30 天，我們將以一個「真實企業級智慧客服系統」為主軸，貫穿全篇。並且從實務中順便講解相關理論基礎與專有名詞，因為用到才學，而不是為了學而學。
我們將從打造一個最原始的客服問答機器人開始，親手踩遍所有第一線落地會遇到的技術坑，檢索不準、LLM幻覺、無效檢索。每一階段的技術升級，都不是為了用新工具而用，而是因為「我們的客服系統又被使用者考倒了」：

• 因為客服查不到資料 -> 我們學習如何調整 Chunking 與 Embedding。
• 因為使用者問得太模糊 -> 我們引入 Query Rewriting 與 Hybrid Search。
• 因為搜尋出來一堆廢話 -> 我們導入 Rerank 與 Context Compression。
• 因為系統缺乏自我修正能力 -> 我們一步步邁向 Modular & Agentic RAG。

後記

如果你跟我有一樣的困擾，找不到有系統的實務RAG教學，歡迎和我一起學習。