第 2 章：檢索組件
文字怎麼變成向量、怎麼找出意思最接近的內容，以及向量要存在哪裡。
RAG 的答案好不好，第一關就看檢索有沒有找對資料。這一章專心講檢索：文字怎麼變成電腦可以比較的數字，怎麼在大量資料裡快速找出最相關的內容，最後用一小段程式實際跑一次。
你會學到
01檢索器在 RAG 裡負責什麼
02向量和嵌入是什麼意思
03怎麼選嵌入模型和向量資料庫
04餘弦相似度怎麼算
05親手把文字轉成向量
7 篇，照順序讀
01
→2.1 檢索器在 RAG 中的作用
檢索器負責把「最有用的幾段資料」交給模型，它找得準不準，決定了整個 RAG 的上限。
02
→2.2 向量嵌入簡介
嵌入（embedding）把一段文字變成一串數字，讓電腦可以比較意思像不像。
03
→2.3 常用嵌入模型
嵌入模型有雲端 API 和開源模型兩大類，選的時候要看語言、成本和部署方式。
04
→2.4 相似度搜尋：找出相關向量
兩個向量有多像、怎麼量，以及資料很多時怎麼快速找到最接近的那幾個。
05
→2.5 向量資料庫簡介
專門用來存向量、並且能快速找出最接近的那幾個的資料庫。
06
→2.6 選擇向量資料庫：考量因素
沒有最好的向量資料庫，只有適合你的規模、預算和團隊的那一個。
07
→2.7 實踐：生成文字嵌入
用一小段 Python，把句子轉成向量，並且實際算出哪些句子意思相近。