Day 25 把學習報告做出來之後，我回頭認真看了一次報告裡「實用片語」那一欄，心裡冒出一個疑問：這些片語是 AI 憑「印象」生出來的，我怎麼知道它推薦的說法真的是母語者常用的？LLM 本質是機率預測（Day 1 學的），它有時候會生出聽起來很合理、但其實不太道地的表達。

今天要認識的 RAG 和 FAISS，就是針對這個問題的一種解法：不要讓 AI 只靠記憶回答，而是讓它先去「查資料」，再根據查到的內容回答。

RAG 是什麼

RAG 全名是 Retrieval-Augmented Generation，中文常翻成「檢索增強生成」。名字很長，拆開來看其實很好懂：

Retrieval（檢索）：先從一份資料庫裡，找出跟問題最相關的內容
Augmented（增強）：把找到的內容，附加到給 AI 的指令裡
Generation（生成）：AI 參考這些附加內容之後，再生成回答

用考試比喻最直覺：一般的 LLM 回答問題，像是「閉卷考試」，只能靠腦袋裡記得的東西；RAG 則像「開書考」，AI 在回答前先翻一下參考資料，再根據資料寫答案。

為什麼這個專題需要 RAG

對照專題的需求，今天整理出三個 RAG 能幫上忙的地方：

推薦更可靠：片語和表達是從一份經過整理的資料庫裡找的，不是 AI 憑空生成，降低「聽起來合理但不道地」的風險
內容可以自己控制：想讓 AI 推薦哪些類型的片語，只要調整資料庫內容就好，不用一直改 Prompt
可以針對情境推薦：資料庫裡可以標註每個片語適合用在什麼場合（點餐、面試、機場），AI 才能根據使用者練習的情境，找出真正相關的表達

這也呼應了專題最初定位的核心特色：「母語者自然表達」。RAG 剛好是把這個特色做得更穩的方法。

FAISS 又是什麼

RAG 的第一步是「檢索」，問題在於：電腦怎麼判斷哪些資料「跟問題最相關」？

傳統的關鍵字搜尋只能比對字面——使用者說「想要少糖」，資料庫裡寫的是「less sweet」，兩邊字面完全不同，就搜不到。今天理解到，RAG 解決這個問題的方式是：把文字轉換成一串數字（向量），意思相近的文字，轉出來的數字也會相近。 這樣就能比對「意思」而不是「字面」。

FAISS 是 Meta 開發的一個工具，專門用來存放這些向量，並且快速找出「跟某個向量最接近」的那幾筆。簡單說，它就是這個專題裡「向量資料庫」的角色，負責回答：「資料庫裡哪幾句片語，意思最接近使用者現在遇到的情境？」

整體流程，今天畫出來的版本

把今天學的概念兜成一條流程，大致是這樣：

準備階段（只需要做一次）

整理一份英文片語與情境資料
把每筆資料轉換成向量
存進 FAISS

每次使用時

拿到使用者的對話或情境
把它也轉換成向量
用 FAISS 找出最相近的幾筆片語
把找到的內容附進給 LLM 的 Prompt
LLM 根據這些資料，產出更有依據的推薦

對照 Day 25 的報告流程，RAG 其實是插在「歸納整理」那一步前面——在 AI 整理「實用片語」之前，先替它準備好一份參考資料。

今天的取捨：先搞懂概念，不急著追求完整

專題計畫書原本就寫了：「若時間充足，再加入 RAG / FAISS」。今天接觸之後也深刻體會到，這塊是整個專題裡概念最抽象的部分，如果一開始就想做到完美，很容易卡住。所以今天先定下一個原則：目標是做出「能運作的最小版本」，資料量小沒關係，只要能證明「檢索 → 附加 → 生成」這條流程跑得通。