Ch1 互動教材

RAG 拆解：AI 是怎麼「翻你的書」再回答的？

RAG（Retrieval-Augmented Generation）＝開書考。四步：切塊 → embedding → 檢索 → 把找到的段落塞給 LLM。每一步都能在這頁親手操作。

STEP 1切塊（chunking）：你的文件先被剁成段

塊太大→檢索不精準；太小→語境被切碎。重疊是為了不把關鍵句切在邊界上。

STEP 2Embedding：每一塊變成「語意空間」裡的一個點

真實系統把每塊文字轉成幾百維的向量；這裡為了看得見，我們把每塊投影到兩個可解讀的軸上：「跟 HER／吸附 主題多像」與「跟 DFT 方法 主題多像」（用字元 bigram 的 cosine 相似度算）。

化學類比：這就是把吸附結構映射到 descriptor 空間——語意相近，距離就近。查詢（★）丟進同一個空間，離它最近的塊就是「翻書翻到的那幾頁」。

STEP 3檢索 + 組裝 prompt：LLM 實際看到什麼？

⚠ 最高相似度太低——文件庫裡沒有這個主題。誠實的系統此時應該說「資料不足」，而不是硬掰。（沒有檢索基礎的生成＝編造的開始）
↓ 真正送進 LLM 的內容（不是你的整個文件庫！）
（先執行一次檢索）
AI 沒有「記得」你的文件——它每次都是現翻 top-k 段。翻書翻不準，答案就不準。
⚠ 三個常見誤解
本頁用字元 bigram + cosine 當「迷你 embedding」示意；真實系統（如 Local Deep Research 預設的 all-MiniLM-L6-v2）用神經網路 embedding，原理相同、語意能力強得多。