昨天搞懂了向量空間和切塊的概念，今天我們直接把它落地成一條可跑的檢索增強（RAG）問答鏈。目標很具體：把我們自己本週隨手寫的雜記、課程重點或會議紀錄餵給系統，當我們丟出問題時，AI 不靠自己的通用記憶瞎猜，而是精準翻看這份專屬筆記來給出答案。

第一站：準備筆記來源與觸發方式
我們可以用手動貼上文字、讀取 Google Drive 裡的 Markdown 筆記，或是直接給一個 Webhook 當輸入窗口。為了測試方便，可以在畫布放一個手動輸入的 Chat Trigger 節點，讓我們能像跟客服聊天一樣直接在介面裡打字發問。

第二站：文件灌入與向量化建立
在問答之前，資料庫裡得先有東西。我們拉出「Vector Store」節點（例如使用 Qdrant、Pinecone 或 n8n 內建的記憶庫模組），並將操作模式設為寫入文件。在它下方掛上兩個關鍵的小積木：一個是「Text Splitter」文字切塊器，把整篇筆記依據長度切成帶有重疊區間的小段落；另一個是「Embeddings」模型節點，選用輕量且便宜的嵌入模型。按下執行，整份長篇筆記就會被自動切片、換算成數字坐標，妥妥地存進向量庫中。

第三站：搭建專屬的問答檢索鏈
當資料建好後，我們切換到查詢模式。在畫布新增一個「AI Agent」或「Question and Answer Chain」節點。這個節點就是負責統籌的大腦，我們需要幫它接上三樣裝備：主要負責思考回話的大語言模型、前一步存好資料的向量庫檢索器（Retriever），以及對話記憶模組（Window Buffer Memory）讓它能記住前後幾句對話的語境。

第四站：設定嚴格的防幻覺提示詞
做私有知識庫最怕 AI 腦補。我們在提示詞裡給它立規矩：「你是一位嚴謹的個人知識庫秘書。請僅根據從向量資料庫檢索出來的筆記內容回答問題。如果筆記裡完全沒有提到相關資訊，請直接回答『我的筆記庫中沒有找到這項紀錄』，嚴禁自行捏造事實。」

第五站：提問驗證與成效
全部連好後，在對話框裡敲下問題，例如「我這週四下午跟組員討論了哪些待辦？」。系統會在幾百毫秒內算出這句話的語意坐標，去庫裡撈出最符合的那兩三段筆記，最後交給模型拼成流暢的人話回覆你。這比用搜尋引擎打關鍵字去找好用太多，因為就算你問的詞句跟筆記裡的字眼不完全相同，它靠著語意理解依然能把正確答案翻出來。明天我們把應用轉向數據彙整，做一個每週定時匯總記錄並自動產出 Markdown 週報的流程。