昨天我們提到，為了解決大模型的 Token 限制與昂貴成本，我們不能把整本數百頁的企業文件或醫療指引直接塞給 AI。我們需要一套機制：「先從文件中精準找出相關的段落，再把這些段落餵給 AI。」

這套機制就是目前業界最火熱的架構：RAG (Retrieval-Augmented Generation，檢索增強生成)。而 RAG 的核心底層邏輯，其實就是把國文課變成數學課。

1. 文本向量化 (Embedding)：把語意變成座標
電腦不懂「蘋果」和「橘子」在語意上有多接近，但電腦懂數字。Embedding 技術就是透過神經網路，將一段文字轉換成一個由數百到數千個浮點數組成的陣列（Array）。
例如：一段文字經過模型（如 text-embedding-3-small）處理後，會變成類似 [0.12, -0.55, 0.89, ...] 的多維度向量。

你可以把它想像成一個擁有上千個維度的超級 3D 空間。在這個空間裡，語意相近的句子（例如「我今天請病假」與「我身體不舒服不上班」）它們的座標點會極度靠近；而與之無關的句子，座標就會離得非常遠。

2. Meta Faiss：輕量極速的相似度搜尋引擎
當我們把企業內部上萬份文件都轉換成「浮點數陣列」後，我們需要一個地方來儲存並搜尋它們。

這時就輪到 Meta (Facebook) 開源的 Faiss 登場了。Faiss 嚴格來說不是一個龐大臃腫的傳統資料庫，而是一個針對稠密向量進行「極速相似度搜尋」的演算法庫。當使用者輸入一個問題時，我們會先把問題也 Embedding 成一組陣列，然後丟給 Faiss。Faiss 會透過計算數學上的「餘弦相似度 (Cosine Similarity)」或「歐式距離」，瞬間從百萬筆資料中，精準抓出距離最近、語意最相關的 Top 3 文件段落。

現在我們有了把文字轉成數學座標的魔法，也能快速檢索了。但問題來了：我們該把整份 10 頁的 PDF 直接轉成一個向量嗎？這樣找出來的資料會不會太粗糙？明天 [Day 09]，我們將探討 RAG 系統中最考驗程式邏輯的環節：文本切塊 (Chunking) 策略！