在前幾天，我們的 AI 每次讀取筆記時，都是一次性把整個檔案餵給它。但隨著你累積的筆記越來越多（好幾個月、甚至好幾年的工作日誌），如果把所有東西全部塞進 AI 的提示詞裡，不僅會超出模型的 Token 上限，還會讓 AI 的回答失焦。

第八天的三大重點：
1.什麼是 RAG（檢索增強生成）？
簡單來說，就是讓 AI 擁有「查資料庫」的能力。當你需要 AI 回答某個過往問題或整理舊資料時，系統會先從你的歷史筆記中精準找出最相關的片段，再交給 AI 進行綜合整理。

2.本地向量嵌入與儲存（Vector Embeddings）
利用輕量級的嵌入模型（Embedding Model），把你的文字筆記轉換成電腦看得懂的「數字向量」，並存放在本地（例如使用 ChromaDB 或 Faiss 等向量資料庫）。

3.實作相似度檢索（Similarity Search）
當你向 AI 助理提問時，系統會先計算語意相似度，把跟你問題最相關的過去筆記撈出來，作為給 AI 的「參考資料」，大幅提升助理回答的準確度與實用性。