深度學習知識地圖 · NLP 與 LLM
向量資料庫
儲存 Embedding
觀念教學
向量資料庫專門儲存高維度向量 (Embeddings)，支援語意搜尋，是 RAG 架構的核心基石。
白話說明
傳統資料庫用關鍵字搜尋（搜「蘋果」只找到有「蘋果」兩個字的文件），向量資料庫用語意搜尋（搜「水果」也能找到提到蘋果、香蕉的文件，因為向量距離近）。
怎麼運作
- 把文字/圖片用 Embedding 模型轉成向量
- 存進向量資料庫
- 查詢時也轉成向量，找最近的鄰居（ANN 近似最近鄰搜尋）
主流產品
Pinecone、Weaviate、Milvus、Chroma、Qdrant、pgvector（PostgreSQL 擴充）。
使用場景
RAG 知識庫檢索、語意搜尋、推薦系統、圖片以圖搜圖。
優點
語意級別的搜尋、毫秒級回應。
缺點
向量品質取決於 Embedding 模型、索引建立需要時間和記憶體。
應用場景
評估指標
iPAS 歷屆考題詳解(1 題)
先自行作答,再展開詳解。題目出處均為 iPAS AI 應用規劃師正式考題,著作權屬原主辦單位。
某公司建置了兩套公司規章檢索系統。當員工查詢「請假」相關規定時，第一套系統只能找到文件內容中包含「請假」二字的規章；而第二套系統則能找出標題為「休假申請規定」等字面不同、但語意相近的文件。若第二套系統是採用檢索增強生成（RAG）架構，其最可能採用下列哪一項技術來提升搜尋效果？
- A使用關聯式資料庫（如 MySQL）進行關鍵字比對；
- B使用全文檢索功能（Full-text Search），僅依文字出現頻率及關鍵字匹配程度排序搜尋結果；
- C使用向量資料庫（Vector Database）進行語意相似度搜尋；
- D使用大型語言模型（LLM），自動重新撰寫所有知識文件
看正解與逐選項詳解
正解:C
正確答案:(C)
【正解解析】
題幹對比兩套系統:第一套只能找到「包含請假二字」的文件,是字面比對;第二套能找出「休假申請規定」這類字面不同但語意相近的文件,是語意檢索。RAG 架構中要做到語意檢索,做法是先用嵌入模型(Embedding Model)把文件與查詢轉成向量,再存入向量資料庫(Vector Database),以向量間的距離或餘弦相似度找出語意最接近的文件片段。「請假」與「休假申請」在向量空間中位置相近,因此即使字面不同也能被找到,故 (C) 正確。
【為何其他選項錯了?】
- (A):關聯式資料庫的關鍵字比對(如 LIKE 查詢)只能找出含有指定字串的資料列,「休假申請規定」不含「請假」二字就無法命中,正是第一套系統的行為。
- (B):全文檢索依詞頻與關鍵字匹配程度排序,本質仍是詞彙層級的比對,無法理解「請假」與「休假」語意相近,對同義詞或改寫的查詢效果有限。
- (D):用 LLM 重寫所有知識文件並不能建立語意檢索能力,還可能改動規章原文造成內容失真;RAG 的重點是「檢索原文再生成」,而不是改寫知識庫。
提示:題幹出現「字面不同但語意相近也能找到」→ 向量資料庫語意相似度搜尋;「只能找到含關鍵字的文件」→ 關鍵字或全文檢索。