前幾天讓 AI 寫摘要或草擬回信時，資料量基本上就只有一篇文章或一封信，直接塞進提示詞沒什麼毛病。但如果今天你想讓 AI 讀懂你整整一年的筆記、十幾份專案 PDF，或者上百頁的課堂講義，直接複製貼上保證會超出長度限制，而且費用也會直接炸裂。這時候就得靠檢索增強生成（RAG）這套打法，而它背後的核心就是文本切塊與向量資料庫。

為什麼不能把整座山丟給 AI？
大語言模型雖然能讀長文，但輸入字數有上限，而且讀越多越容易「迷失在中間」，抓不到真正關鍵的那句話。更重要的是，我們問的問題通常只跟其中幾段有關。如果能像圖書館員一樣，先精準找出最相關的兩三頁，再把這兩三頁遞給 AI 回答，不僅速度極快、回答精準，還省下了大把 Token 成本。

第一步：文本切塊（Text Splitting）
一本幾萬字的筆記不可能直接丟進去，我們必須先拿剪刀把它剪成一段段小豆腐塊（Chunks）。切塊不能隨意一刀切，切太小會碎到沒有上下文，切太大又失去了精準定位的意義。在 n8n 裡，我們通常會設定每個區塊大概幾百字，並且保留前後三五十個字的重疊（Overlap）。這樣能確保某句話剛好被剪刀切在中間時，語意不會硬生生斷掉。

第二步：向量嵌入（Embeddings）把文字變成坐標
切好豆腐塊後，電腦其實看不懂文字背後的意思。這時候要透過 Embedding 模型，把每一段文字轉換成一長串數字組成的空間坐標（向量）。這件事妙在哪裡？在數字空間裡，「蘋果」和「香蕉」這兩個坐標會靠得非常近，因為它們都是水果；而「蘋果」和「挖土機」的坐標就會相隔十萬八千里。

第三步：向量資料庫（Vector Store）的收納與搜尋
有了這堆帶有語意坐標的文字塊，我們需要一個特殊的倉庫把他們存起來，這就是向量資料庫（比如 Pinecone、Qdrant 或輕量的記憶庫）。當使用者問了一句「上次那個專案的伺服器密碼放在哪？」，系統會先把你問的這句話也轉成空間坐標，然後去資料庫裡抓出「坐標距離最近」的那幾塊文字。

在 n8n 裡的視覺化積木
在過去，要自己寫程式串接切塊、Embedding 模型和向量資料庫，得折騰不少環境與套件。但在 n8n 裡，它把這些全部做成了專屬的子模組積木。你只要把文件載入器、文字切割器、Embedding 節點像拼積木一樣掛在向量資料庫節點下方，整個轉化存檔的鏈條就自動打通了。搞懂這些基本功後，明天我們就真正動手把這套架構接起來，打造一個能讀懂你本週筆記的私有問答助理。