RAG 白話文：讓 AI 讀你自己的資料，不再瞎掰
企業內訓的提問時間，有一題幾乎每場都會出現：「我問 AI 我們公司的請假規定，它回得頭頭是道，結果全是錯的——它不是很聰明嗎？」
這不是 AI 不聰明，是它根本沒讀過你的文件。AI 的本事是「接話」：憑訓練時讀過的海量文字，接出最像樣的下文。沒讀過你公司的規定，它就拿「一般公司大概長怎樣」來接，語氣篤定、內容瞎掰——這個現象叫「幻覺」(hallucination)。
解這個問題的技術叫 RAG，全名「檢索增強生成」(Retrieval-Augmented Generation)。名字很硬，原理其實是考試就懂的事：把默寫改成開書考。這篇用白話把它拆開——看懂之後，你會知道手上的 AI 工具在做什麼、為什麼有時找不到答案、什麼時候該換裝備。
這篇文章用「先整理書櫃、再按需取書」的比喻，白話拆解 RAG 的切塊、嵌入、向量資料庫與檢索，並給你三條判斷標準，看 NotebookLM、Claude Projects 這類現成工具什麼時候就夠用。適合被 AI 一本正經瞎掰過、想讓 AI 真的讀懂自己資料的人閱讀。
為什麼 AI 不知道你的文件
AI 模型的知識來自「訓練」：廠商蒐集大量公開文字，讓模型從中學會語言的規律。這個過程留下兩個天生的洞：
私有資料。你的會議記錄、公司內規、課程講義、客戶往來信件，都不在公開網路上，模型自然沒讀過。
知識截止日。訓練曠日廢時，資料蒐集到某個日期就鎖定，之後發生的事模型一概不知道——像被關在圖書館裡好幾年的人，對近況只能用猜的。
碰到這兩個洞，模型不會說「我不知道」，而是憑印象硬接。這不是提示詞寫得更好就能修的——再會問，也問不出它腦袋裡沒有的東西。唯一解法：回答之前，把正確的資料塞給它看。
資料只有一兩頁的話，事情到這裡就結束了：每次提問把全文貼上即可。麻煩在於資料一多就塞不下——AI 一次能讀的量有上限，術語叫「上下文窗口」(context window)，可以理解成它的「單次閱讀量」。幾百頁塞不進去，問題就變成：每次提問，該挑哪幾段給它看？
RAG 的整套設計，都在回答這一題。
第一段：先把資料整理進書櫃（索引）
RAG 分兩段。第一段「索引」在使用者提問前就先做好，像把一屋子亂書整理上架，共四步：
一、取出純文字。PDF、簡報、網頁先轉成乾淨的文字。聽起來瑣碎，卻是地基——表格、圖片裡的字沒取乾淨，後面全部白做。
二、切成小塊。整本文件太長，要切成幾百字到一千字的小段落，術語叫「切塊」(chunking)。切法有講究：沿著段落、句子這些自然邊界切，意思才不會被腰斬；相鄰兩塊還保留一點重疊，讓上下文接得起來。
三、把每一塊變成「意思的座標」。這步叫「嵌入」(embedding)，是整套系統最神奇的一步：用專門的模型把一段文字轉成一長串數字，代表的不是用了哪些字，而是這段話的意思。「晴朗的一天」和「天空真亮」沒有半個共同字，但意思相近，所以換算出來的數字會靠得很近；「寵物」和「狗」很近，「寵物」和「獅子」就遠。意思變成了座標，電腦就能用算距離的方式比對「誰跟誰在講同一件事」。
四、存進向量資料庫。這些數字座標（術語叫「向量」）連同原文，存進專門的「向量資料庫」(vector store)。它的特長只有一個：給它一個座標，飛快找出離它最近的那幾筆。你可以把它想成一座照「意思」排架的書櫃——講請假的段落都在同一區，不管那段話有沒有用到「請假」兩個字。
第二段：按需取書（檢索與生成）
書櫃整理好，第二段在提問的當下發生，前後不過幾秒：
你的問題也被轉成一個意思座標，拿去書櫃裡比對，取出最相近的幾塊原文；系統把這幾段塞進提示裡，跟你的問題一起交給 AI:「根據以下資料回答。」AI 這才開口——它答的不是印象，是剛剛遞到眼前的段落。
注意：有個反直覺的細節：取出來的段落不是愈多愈好。撈太多，速度變慢、費用變高，還容易混進不相干的段落，反而把 AI 帶偏。好的檢索像好的幕僚：遞三頁重點，不是搬三箱卷宗。
流程總覽
一般人不用自己蓋，現成工具早就內建了
好消息是：上面那一整套，你大概率不用自己動手蓋。
- NotebookLM：把文件、網址、影片丟進去當「來源」，它回答時還附出處段落，點回去就能查證——拆書、整理講義、消化報告的首選
- ChatGPT、Claude 的附檔對話：臨時要讀幾份文件，直接拖進對話就好
- Claude Projects、GPTs：把固定會用到的資料掛在專案裡，每次對話自動帶著，適合「同一批資料反覆問」的場景
- 企業版 Copilot 這類產品：幫你把公司文件接上 AI，背後就是一套大型 RAG
這些工具什麼時候夠用？我的判斷標準有三條：文件量小（幾十份以內）、使用者少（自己或小團隊）、更新頻率低。三條都中，現成工具綽綽有餘。我自己的拆書備課流程就是這樣跑的：把素材整理成來源、用固定提示詞萃取重點、再轉成教材——完整作法寫在知識管理四階段工作流，連 YouTube 影片都能照同一套邏輯收進你的學習系統。
我的經驗：重建 pbtw.tw 時我體會到一件事：我常讓 AI 讀站上既有文章再產出新內容，每次都得先想「該餵它哪幾篇」——我就是在當人肉檢索器。RAG 自動化的正是這個「挑資料」的動作，挑得準不準，決定答案的品質。
不過戴上資安講師的帽子，得補一句：內訓裡被問最多的其實不是技術，是「資料丟上去安全嗎」。原則很簡單：上傳之前先做資料分級——公開資料隨便用；內部文件確認工具的資料條款（會不會拿去訓練、存放在哪）；客戶個資與機密，沒有企業合約與授權就不要碰雲端工具。RAG 讓 AI 讀你的資料，前提是你想清楚「誰還讀得到」。
檢索不準的時候，進階技巧在做什麼
用了一陣子你會遇到：資料明明在裡面，AI 卻說找不到。問題通常不在書櫃，在問題本身。檢索是拿你的問題去比對意思，問得含糊、夾雜廢話、用詞跟文件差太遠，比對就失準。
工程上的解法你聽過概念就好：「查詢改寫」是先請 AI 把你的問題改寫得乾淨精準，再拿去檢索；「多查詢」是把一個問題改寫成好幾個角度，各撈一輪再合併；「混合檢索」則是語意比對和傳統關鍵字搜尋並用，再把結果重新排序——意思相近靠語意抓，專有名詞靠關鍵字抓。
對一般人，這些技巧翻成一句話就夠用：找不到答案時，先改你的問題，而不是急著換工具。把代名詞換成全名、把一句長問拆成兩句短問、改用文件裡的用詞再問一次——你就是自己的查詢改寫器。
常見問題
Q1:把文件直接貼進對話，跟 RAG 差在哪？
資料量小的時候沒差，直接貼反而更準。RAG 解決的是「多到塞不下」之後的問題：幾百頁裡挑出最相關的幾段。先貼貼看，塞不下了再上工具。
Q2:用了 RAG,AI 就完全不會瞎掰了嗎？
不會。檢索撈錯段落，AI 照樣根據錯的資料一本正經地答。RAG 把瞎掰的機率大幅壓低，更重要的是讓答案可查證——像 NotebookLM 會附出處，養成點回原文核對的習慣最可靠。
Q3:公司內部文件可以丟 NotebookLM 或 ChatGPT 嗎？
先分級再決定。公開與一般內部資料，確認工具的資料使用條款後可用；涉及個資、客戶機密、營業祕密的，要用有企業合約保障的版本，或根本不上雲。判斷不來就問一句：這份文件外流上新聞，標題會多難看？
Q4:我需要學著自己蓋向量資料庫嗎？
大多數人不用。前面三條標準都符合時，現成工具就是最佳解；真的長到資料量大、多人使用、需要自動更新，那是另一個量級的工程決策，到時候再評估也不遲。
看懂 RAG 之後，下一步是把自己的資料真的接上 AI：挑一批常查的文件，丟進 NotebookLM 或 Claude Projects，跑一週看看省了多少翻找時間。想把這件事變成一整套個人工作流——從素材進來、萃取整理到產出——我的 AI 工作流實戰課 就是帶你把這條線建起來。
這篇的書籍觀念出自《Learning LangChain》第 2-3 章，完整讀書筆記在：/note-learning-langchain/