鐵人檔案
大型語言模型常因訓練資料過時或未涵蓋私有知識，回答時容易產生看似合理卻錯誤的「幻覺」。RAG（檢索增強生成）讓模型在回答前先從外部知識庫檢索相關資料，再依據內容生成回答，藉此降低幻覺、提升可信度。本系列以30天記錄一套RAG系統從零到落地的完整實作歷程，涵蓋資料前處理、Chunking策略、Embedding與向量資料庫建置、檢索優化（Hybrid Search、Rerank、Query改寫）、Prompt設計與RAGAS評估，最終完成API化部署與監控維運，盼能給想踏入RAG領域的開發者一份完整實戰指南。
前言：關於這個系列 「從零打造 RAG 系統：檢索、生成與落地全紀錄」，會用 30 天的時間，把一套 RAG（Retrieval-Augmented Gener...
前言 昨天我們談到為什麼需要 RAG——本質上就是為了解決 LLM 的幻覺問題，讓模型「先查資料、再回答」。今天要更進一步，把 RAG 系統拆開來看，搞清楚裡面...
前言 昨天梳理了 RAG 的三大環節，今天在正式動手之前，先來決定「工具箱」——這次系列會用哪些技術來實作。 選型考量一：LLM 常見選擇大致分三類： 類...
前言 工具選好了，在動手寫程式之前，還缺一件最重要的事：**明確定義這次要做的 RAG 系統，究竟要解決什麼問題。**這一步常被跳過，但它決定了後面每一個技術決...
前言 從今天開始，我們正式進入 RAG 系統的 Indexing 階段，第一步：把散落各處、格式各異的原始資料，整理成乾淨、可用的文字內容。 常見文件格式與挑戰...
前言前幾天分別談了 Embedding 與向量資料庫的選型，今天要把兩者串接起來，實際把 Day 9 產出的 chunk 資料，轉換成向量並寫入資料庫，完成 I...
前言 昨天比較了不同的 Chunking 策略，今天要更深入探討兩個關鍵參數：**Chunk Size（每段長度）**與 Overlap（重疊長度），這兩個參數...
前言 前幾天我們專注在「怎麼切」，今天要談的是容易被忽略、卻對檢索精準度影響很大的一環：Metadata（詮釋資料）設計。 什麼是 Metadata？ 除了 c...
前言 過去幾天分別討論了文件解析、Chunking、Metadata 設計，今天要把這些環節串接成一個完整、可重複執行的前處理 Pipeline，為明天開始的...
前言 前處理 Pipeline 準備好之後，今天正式進入 Indexing 階段的核心：Embedding——把文字轉換成能夠計算語意相似度的向量。 什麼是 E...
