Part 4：RAG 知識庫功能

🤔 什麼是 RAG？

RAG (Retrieval-Augmented Generation) 是結合檢索與生成的技術

📤 文件上傳與解析流程

支援格式

• .txt - 純文字檔
• .md - Markdown 檔
• .pdf - PDF 文件（PyPDF2）
• .docx - Word 文件（python-docx）

處理流程

1. 接收上傳檔案
2. 驗證格式與大小
3. 提取純文字內容
4. 生成唯一文件 ID

✂️ 文本分段策略

def _chunk_text(self, text: str) -> List[str]:
    """滑動視窗分段演算法"""
    chunks = []
    start = 0

    while start < len(text):
        end = start + self.chunk_size  # 500 字元
        chunk = text[start:end]
        chunks.append(chunk)
        start += (self.chunk_size - self.chunk_overlap)  # 重疊 50 字元

    return chunks

🧠 Sentence Transformers 嵌入模型

from sentence_transformers import SentenceTransformer

model = SentenceTransformer(
    'paraphrase-multilingual-MiniLM-L12-v2'
)

# 將文本轉換為向量
embeddings = model.encode([
    "Flask API 開發",
    "Python 網頁應用",
    "資料庫設計"
])

# 結果：(3, 384) 的向量矩陣

🔍 ChromaDB 向量檢索

# 儲存向量
collection.add(
    ids=["doc_001_chunk_0", "doc_001_chunk_1"],
    embeddings=embeddings.tolist(),
    documents=["Flask 是一個輕量級...", "使用 route 裝飾器..."],
    metadatas=[{"filename": "flask.md", "chunk": 0}, ...]
)

# 語義搜尋
results = collection.query(
    query_embeddings=query_embedding,  # 查詢向量
    n_results=5  # 返回前 5 個
)

# 結果包含：documents, distances, metadatas

🔎 語義搜尋結果

搜尋特點

• 語義理解：不只是關鍵字匹配
• 相關性排序：按相似度降序
• 來源追蹤：知道結果來自哪個文件

範例

搜尋「內容管理」可能找到「部落格系統」的文件，因為語義相關

✨ 知識增強生成整合

def generate_with_rag(self, requirements, query):
    # 1. 先進行 RAG 檢索
    related_chunks = rag_service.search(query, top_k=5)

    # 2. 將檢索結果整合到 AI prompt
    context = "以下是相關的提示詞範本供參考：\n\n"
    for i, chunk in enumerate(related_chunks):
        context += f"範本 {i+1}:\n{chunk['content']}\n\n"

    # 3. 增強後的 prompt
    enhanced_prompt = f"""
    {context}
    請參考這些範本的風格和結構，根據以下需求生成新的提示詞：
    {requirements}
    """

    # 4. 呼叫 AI 生成
    return ai_service.generate(enhanced_prompt)

📌 本節重點回顧