學習路線圖 · AI 產品主線
階段 4 RAG 知識庫
建立可查詢、可引用、可更新的知識庫問答系統。
觀念教學
讓 AI 回答「你們公司的問題」而不是「網路上的平均答案」:這一階段 AI 產品人要建出可查詢、可引用、可更新的知識庫問答系統。
這一階段學什麼
- Chunking(切塊):把文件切成適當大小的段落 — 太大檢索不精準,太小語意破碎,是 RAG 品質的第一道關卡。
- 向量庫:文字轉成向量存起來,用語意相似度找資料 — 問「怎麼退貨」也找得到寫著「退換貨流程」的段落。
- 檢索策略:取幾段、怎麼排序、要不要混合關鍵字搜尋;檢索錯了,後面模型再強也答錯。
- 引用與拒答:每個答案標注出自哪份文件哪一段;資料裡沒有的,寧可拒答也不讓模型自由發揮。
為什麼是現在學
階段 3 的流程自動化解決「例行事務」,RAG 解決「知識詢問」— 客服、內訓、產品支援的大量重複問題。它也是階段 5 Agent 的知識底座:Agent 查資料做決策,查的就是這裡。
怎麼練(具體行動)
- 拿一份產品手冊或內部 FAQ,用現成 RAG 平台或框架建一個知識庫問答 Demo。
- 設計 20 題測試:15 題資料內、5 題資料外,檢查引用正確率與拒答表現。
- 更新其中一份文件,驗證答案跟著更新 — 「可更新」正是它勝過微調的關鍵。
完成標準
- 完成知識庫 Demo:答案附引用來源,資料外的問題會誠實拒答。
- 有測試紀錄,能說出調整切塊或檢索參數後品質的變化。
⚠️ 常見誤區:把沒整理的舊文件全部倒進去 — 垃圾進、垃圾出,RAG 不會幫你消化過期資訊。
里程碑
✓ 完成知識庫 Demo
範例專題
產品手冊 FAQ 知識庫
應用場景
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。
某溫室農場已收集大量害蟲影像資料，並建立害蟲種類及對應防治方法的知識庫。農場希望建置一套 AI 系統，除了能辨識害蟲種類，還能依據知識庫提供最新的防治建議，並能引用知識來源作為依據，以降低生成不實資訊的風險。下列何者為最適合的系統架構？
- A採用具備影像理解能力的多模態大型語言模型，將害蟲影像及相關知識內容一併提供給模型，由模型一次完成辨識與防治建議；
- B以電腦視覺模型辨識害蟲種類，再透過檢索增強生成（RAG）檢索知識庫，最後由大型語言模型根據檢索內容產生防治建議；
- C以電腦視覺模型辨識害蟲種類，再交由大型語言模型依預訓練知識直接產生防治建議，不再查詢農場知識庫；
- D將農場知識庫用於微調（Fine-tuning）大型語言模型，使模型直接學習防治知識，推論時不再檢索知識庫
看正解與逐選項詳解
正解:B
正確答案:(B)
【正解解析】
題幹的需求有四項:辨識害蟲種類(影像分類)、依知識庫提供「最新」的防治建議、能「引用知識來源」作為依據、以及降低生成不實資訊的風險。最合適的是分工式架構:先以電腦視覺(Computer Vision)模型完成害蟲辨識,再以辨識結果為查詢,透過檢索增強生成(RAG)從農場知識庫取回相關防治內容,最後由大型語言模型依據檢索到的段落產生建議並附上出處。知識庫更新後檢索結果即時反映,且回答有據可查,(B) 同時滿足所有條件。
【為何其他選項錯了?】
- (A):多模態模型可同時處理影像與文字,但「相關知識內容一併提供」代表每次都要把知識庫內容塞進提示,既受上下文長度限制,也無法明確標示引用來源,幻覺風險未被系統性控制。
- (C):只依預訓練知識作答,無法反映農場知識庫的最新防治方法,也無法引用知識來源,正是題幹想避免的不實資訊風險來源。
- (D):微調(Fine-tuning)把知識寫入模型參數,知識庫每次更新都需重新微調,無法即時反映最新建議;模型輸出也無法指出具體引用來源,與「引用知識來源」的要求不符。
提示:題幹出現「最新」「引用來源」「降低不實資訊」,即指向 RAG;影像辨識另交電腦視覺模型,微調與純預訓練知識都無法提供可追溯的出處。