一、前言

在前面幾天中，我們順利建立了第一隻 Chatbot，並透過 System Prompt 賦予它「醫資專屬助教」的專業口吻。
然而，目前 AI 所有的回答仍然建立在它「預先訓練的通用資料庫」之上。當我們詢問學校教授自編的投影片、特定章節定義，或是最新的醫療資訊標準時，它依然可能給出看似頭頭是道、實則完全錯誤的答案。
在醫學與工程領域中，這種「瞎掰」是考試與實務上的大忌。今天我們就來拆解解決這個痛點的關鍵技術——RAG（檢索增強生成）。

二、什麼是 AI 的「幻覺（Hallucination）」？

大型語言模型本質上是一個「文字接龍高手」，它根據機率預測下一個最可能出現的詞，而不是真正「理解」真偽。

• 開卷考試 vs. 閉卷盲猜：
  • 傳統 LLM 裸答（閉卷考試）：模型全憑記憶回答問題。遇到沒看過或記不清楚的細節，為了完成對話，它會組合看似合理的專有名詞來敷衍，這就是模型幻覺。
  • 醫資學習的大忌：例如將 DICOM 影像傳輸協定誤植成檢驗數據標準，或記錯 ICD-10 編碼規則，若直接拿來背誦應考，後果不堪設想。

三、認識 RAG 技術

RAG的全名為檢索增強生成（Retrieval-Augmented Generation），是一種整合「知識檢索」與「文字生成」能力的 AI 技術。
它的運作邏輯很像「先翻課本，再作答」：會在使用者提出問題後先去知識庫中進行檢索，再將相關內容進行整合，讓輸出的內容更可靠。
透過這種技術可以解決企業應用生成式AI準確性不足、知識落差、資料無法即時更新等問題。

為什麼學習助教一定要導入 RAG？（三大核心優勢）

1. 更高的準確性與全面答案：
   RAG 讓 AI 不再只是依賴模型的內建知識，而是能夠在回答前提早翻閱專屬知識庫。讓 AI 能精準提取核心定義與細節，大幅降低幻覺的風險。
2. 無痛即時更新：
   在 RAG 架構下，只要授課老師更新了投影片或補充教材，我們只需把最新版本的檔案重新上傳至知識庫，AI 就能秒速同步最新內容，完全零更新成本。
3. 增強使用者信任：
   RAG 技術讓 AI 輸出回答時能夠順便附上引用出處的資料來源，使用者若是需要更詳細的資訊，可以自行查詢來源文件。

四、觀念延伸：RAG 的常見分類有哪些？

RAG 技術，根據檢索方式主要分為三種：

1. Vector RAG：向量型，入門門檻低
   Vector RAG主要應用於非結構化資料（如 PDF 講義、Word 筆記）。系統會先將文件進行「向量化」，儲存於向量資料庫中，提問時，透過比對語意最相近的資料來抓取答案。
2. Graph RAG：圖譜型，準確度高
   將關鍵資料轉化為「語意式圖資料結構」，讓大型語言模型可以基於結構化的圖譜，進行高精度的檢索與推理。無需微調模型，即可查詢，還能處理複雜的「多跳需求」與「關聯邏輯」。
3. Hybrid RAG：混合型，準確度高且具備完善
   Dify 最推薦採用的檢索模式。它同時融合了「向量檢索」與「關鍵字檢索」，能夠理解相似的語意，又能精確匹配幾個字符，大幅提升檢索命中率。