階段 4 RAG 知識庫

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)

1. 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。
2. 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。
3. 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。