一、前言

在過去幾天中，我們在 Chatflow 成功綁定了 FHIR 講義知識庫，並開啟了「引用出處」功能，讓 AI 助教在回覆課堂問題時能精確附上來源切片與關聯度分數。
然而在考前複習或平時查閱講義時，我們提問的方式通常分成兩種：

1. 查概念流程：「什麼是 FHIR 的模組化特性？」、「FHIR 如何提升醫療資料交換？」
2. 查特定名詞或縮寫：「FHIR Resource 的定義」、「HL7 版本的演進」
   在 Dify 的知識庫中，背後的檢索機制決定了系統能不能「在幾十頁的簡報切片中準確撈出你要的那一段」。今天我們就來針對醫學資訊教材的特性，實測比對 向量檢索（語意搜尋） 與 全文檢索（關鍵字搜尋） 的差異，並找出最適合學生的黃金配置！

二、核心觀念：兩種檢索模式有何不同？

在 Dify 知識庫的檢索設定中，主要提供以下兩種搜尋技術（以及結合兩者的混合檢索）：

三、實作：在 Dify 知識庫進行檢索模式切換與實測

1. 進入知識庫的「檢索測試（召回測試）」
   登入 Dify Cloud，點選左側導覽列的「知識庫（Knowledge）」。
   點進我們先前建立好的講義知識庫（如 FHIR 講義）。
   點選左側選單的「檢索測試（召回測試）」分頁。
   

2. 測試案例一 —— 概念型提問（語意檢索的主場）
   在測試框中輸入較為抽象、講述機制的白話問題：

   • 輸入提問：FHIR 為什麼比傳統標準更靈活？
   • 點擊「測試」並觀察結果：
     • 命中情況：系統成功命中介紹 FHIR 特性、相容舊有標準與 Resource 設計的第 4 塊切片。
     • 相似度分數（Score）：分數達到 0.75 ～ 0.8 以上的高分。
       

3. 測試案例二 —— 英文縮寫與專有名詞提問

   • 輸入提問：HL7 FHIR
   • 點擊「測試」並觀察結果：
     • 命中情況：系統成功召回 3 個核心切片，排在首位（Rank 1）的 Chunk-01 第一行就是 Brief Overview of HL7 FHIR，並完整帶出其中文與英文全稱（HL7 Fast Healthcare Interoperability Resources）！
     • 相似度分數（Score）：三個段落的 Score 高達 0.76 ～ 0.77，證明在向量維度中，這些切片與縮寫關鍵字有極強的關聯性。
       

四、實戰踩坑與最佳解法：免費方案下的檢索策略權衡

在探索檢索模式時，不少初學者都會想直接啟用結合兩者的「混合檢索（Hybrid Search）」，但在實務操作時常會遇到平台配額問題：

1. 混合檢索與 Rerank 的額度門檻：
   在 Dify Cloud 免費環境中，「全文檢索」與「混合檢索」往往需要消耗平台自帶的檢索配額，或是調用額外的重排模型（如先前報錯的 qwen3-rerank 額度已用盡）。
2. 純向量檢索的強大適應力：
   • 本專案在 Day 8 將 Embedding 模型切換為 Google 免費提供的 gemini-embedding-001。
   • 經過實測證實：現代的嵌入模型語意表徵能力非常成熟，即使只輸入英文字母縮寫 HL7 FHIR，在純向量檢索下依然能打出 0.77 的高分精準命中，且完全不消耗官方付費配額！