前幾天主要都在整理 Memory 和 Context。

Memory 解決的是：

AI 要怎麼記得這位長者。

Context 解決的是：

AI 要怎麼知道長者最近發生什麼。

但如果今天長者問的不是自己的事情，而是一個需要查資料的問題，例如照護知識、系統使用方式，或其他指定資訊，這時候只靠 Memory 和 Context 就不夠了。

所以今天要整理另一個概念：

RAG（Retrieval-Augmented Generation）。

什麼是 RAG？

RAG 可以簡單理解成：

AI 回答之前，先去指定的資料裡找相關內容，再根據找到的資料回答。

所以流程不是：

問題 → AI 直接回答

而是：

問題
→ 搜尋相關資料
→ 取得最相關內容
→ 交給 AI
→ 產生回答

這樣 AI 的回答就不只依賴模型原本學過的知識，而是可以參考我們自己提供的資料。

為什麼 VoCare 需要 RAG？

如果完全讓 AI 自己回答，有些內容可能不符合我們系統真正想提供的資訊。

例如 VoCare 未來可能會有：

• 系統使用說明
• 長者照護相關資料
• 常見問題
• 經過整理的衛教資訊
• 專案自己建立的知識內容

這些資料如果只是放在資料庫裡，AI 不一定知道。

所以 RAG 的作用就是：

讓 AI 回答前，先從 VoCare 指定的知識來源裡找資料。

這樣可以讓回答更接近系統真正想提供的內容。

RAG 和 Memory 不一樣

這兩個概念很容易混在一起。

Memory 保存的是：

關於這位長者的資訊。

例如：

• 喜歡釣魚
• 以前是老師
• 平常喜歡散步

而 RAG 處理的是：

系統外部或預先建立的知識。

例如：

• 系統操作方式
• 照護知識
• 指定文件內容
• 常見問題

所以可以簡單分成：

Memory：這個人是誰

Context：最近發生什麼

RAG：相關知識是什麼

三個功能負責的資料其實不一樣。