首頁關於我研究專案文章技術筆記

瀏覽

全部文章 48

研究 2

總覽 Domain-Aware RAG：讓 AI 的引用查得到、權限管得住基層金融合作社的 Cloud-AI 架構

專案 3

總覽農會智慧營運 AI 平台 AI SOP 知識系統 Praxis AI（喬喜科技）

關於我 GitHub 活動

文章分類

技術筆記 47

RAG 46

檢索增強生成簡介 6

總覽 1.1 標準大型語言模型的限制 1.2 什麼是檢索增強生成（RAG）？1.3 RAG 系統的核心架構 1.4 RAG 對比微調：理解其差異 1.5 使用 RAG 的優勢

檢索組件 8

總覽 2.1 檢索器在 RAG 中的作用 2.2 向量嵌入簡介 2.3 常用嵌入模型 2.4 相似度搜尋：找出相關向量 2.5 向量資料庫簡介 2.6 選擇向量資料庫：考量因素 2.7 實踐：生成文字嵌入

準備檢索所需資料 8

總覽 3.1 從不同來源載入文件 3.2 文件分塊的必要性 3.3 固定大小分塊策略 3.4 內容感知的分塊方法 3.5 資料塊的元資料（metadata）關聯 3.6 將處理後的資料儲存到向量資料庫 3.7 動手實踐：文件分塊

生成模組與增強 7

總覽 4.1 生成器（LLM）在 RAG 中的作用 4.2 RAG 提示詞的結構化 4.3 上下文注入方法 4.4 管理上下文長度限制 4.5 生成最終回覆 4.6 生成內容中的來源歸屬

搭建基本RAG流程 8

總覽 5.1 RAG 框架概述（LangChain、LlamaIndex）5.2 開發環境設定 5.3 實現檢索器 5.4 實現生成器整合 5.5 結合檢索與生成 5.6 在流程中執行查詢 5.7 動手實踐：端到端 RAG 系統

評估與改進 8

總覽 6.1 評估 RAG 的挑戰 6.2 組件層面的評估：檢索 6.3 組件級別評估：生成 6.4 端到端 RAG 評估框架 6.5 常見故障模式 6.6 改進的基本策略 6.7 實踐：分析 RAG 輸出品質

F1

2026 賽季

車手 22

Lando Norris 1 George Russell 63 Alexander Albon 23 Oscar Piastri 81 Kimi Antonelli 12 Max Verstappen 3 Isack Hadjar 6 Charles Leclerc 16 Lewis Hamilton 44 Carlos Sainz 55 Liam Lawson 30 Arvid Lindblad 41 Fernando Alonso 14 Lance Stroll 18 Esteban Ocon 31 Oliver Bearman 87 Gabriel Bortoleto 5 Nico Hülkenberg 27 Pierre Gasly 10 Franco Colapinto 43 Sergio Pérez 11 Valtteri Bottas 77

標籤

全部標籤 2

總覽 RAG 46 隨筆 1

2026 · #1 · McLaren

Lando Norris

LandoNorrisMcLaren1

★ 最愛第 1 名

Lando Norris

（還沒寫）

← 2026 賽季

© 2026 沈書禾Email GitHub ORCID LinkedIn