📜 古代大藏經與開卷考試：解密 RAG 向量檢索與工作區規則

走進古代大藏經閣，密密麻麻的經書聖卷高聳入雲，儲存著數千年來的無上智慧。

如果今天有一位狀元郎要參加朝廷的終極大考，考題是「請問大藏經第三千七百卷第十二頁寫了哪三條律法？」 如果強迫狀元郎閉卷應試，只憑他腦中的記憶硬背，狀元郎為了不交白卷，極可能在考卷上洋洋灑灑編造出聽起來頭頭是道、實則完全不存在的虛假律法。

這正是一切人工智慧盲點的縮影——機率幻覺（Hallucination）！

今天，我們就從史詩級的 AI 翻車現場出發，深入大藏經閣的向量空間，解密 RAG（檢索增強生成 / Retrieval-Augmented Generation） 開卷考試機制與工作區家規標籤！

---

⚠️ 藏經閣翻車史冊：加拿大航空、紐約律師與海灘幻覺三案

為了讓大家徹底意識到 AI 幻覺的恐怖破壞力，我們先來審視載入史冊的三大史詩級 AI 烏龍翻車現場：

• 慘案一：加拿大航空客服 AI 的「胡扯退票政策」
  • 案發經過：加拿大航空官網引進了一款線上客服 AI。一位乘客因親人不幸離世，詢問如何購買哀悼機票。客服 AI 熱心且極具同理心地位乘客解答：「您可以先購買全價機票，並在 90 天內提交親人死亡證明申請退費。」乘客信以為真，買票辦完喪事後向加航申請退費，卻遭到加航拒絕，因為加航的實體政策規定必須在購票前申請。乘客一怒之下將加航告上法庭。
  • 法庭判決：加航在法庭上辯稱「客服 AI 是一個獨立的法律實體，其言論不代表公司」。但法官當庭駁回加航辯護，判決加航敗訴並賠償乘客！因為公司必須對其官網 AI 吐出的承諾負擔完全法律責任。
• 慘案二：美國紐約律師的「假判例訴狀」
  • 案發經過：紐約一位資深律師在撰寫航空傷害訴訟的起訴書時，讓 ChatGPT 幫忙尋找歷史判例。ChatGPT 秒回了 6 個聽起來極度專業、附有詳細案號、法官姓名與判決日期的歷史判例。律師沒有經過實體查證，直接將其寫入訴狀提交給聯邦法庭。
  • 法庭判決：對手律師與法官在調閱聯邦判例庫時，驚覺這 6 個判例在歷史上完全不存在，通通是 AI 在自迴歸接龍時憑空捏造的幻覺！最終該律師被法庭重罰，職業生涯留下毀滅性污點。
• 慘案三：芝加哥太陽報的「虛無海灘書單」
  • 案發經過：報社發表了一篇由 AI 推薦的「夏日海灘推薦書單」。結果廣大讀者去書店購買時，發現其中有 3 本書在世界上根本就沒有出版過，書名、作者與簡介全都是 AI 將不同書籍要素隨機拼接出來的空想產物。

---

🔮 大腦迷幻與真理錨定：為什麼單靠對齊無法消除機率幻覺

為什麼強大的 AI 會如此一本正經地胡說八道？

這背後的數學真相是：大語言模型的大腦內，根本沒有「真實」與「謊言」的概念！ 大腦本質上是一個根據上下文概率計算「下一個 Token 最佳選擇」的統計機器。當使用者詢問一個大腦記憶庫中沒有精確記載的問題時，為了維持語句的流暢度與完整性，自注意力機制會挑選機率最高、聽起來最像標準答案的詞彙進行接龍。

我們來看看，黃金鄉馬哈特比喻： 這就像是故事中黃金鄉的七崩賢魔族賢者馬哈特。馬哈特戴上了「誓約手環」，只要對人類起「惡意」就會當場死亡。然而馬哈特卻親手將整座城市與無數人類變成了黃金雕像，手環卻完全沒有發動警報。因為在魔族的認知結構中，根本就沒有人類所謂「惡意」與「慈悲」的概念！ 同理，大語言模型的機率矩陣中也沒有「客觀事實」的概念。因此，光靠道德對齊（系統提示詞），是無法完全杜絕幻覺的。我們必須使用 RAG（檢索增強生成），在 AI 答題前硬生生把真實的參考文獻呈現在它面前，將其強行錨定在事實之上！

---

🔍 到底什麼是 RAG (檢索增強生成)？

• 小咪：「Ray，你提到了 RAG 可以把參考文獻塞到 AI 面前，但它的全名到底是什麼意思？它到底是怎麼做到的？」
• Ray：「RAG 的英文全稱是 Retrieval-Augmented Generation，拆開來就是三個步驟：『檢索（Retrieval）』、『增強（Augmented）』 與 『生成（Generation）』。」
• Ray：「簡單來說，這是一種『先查資料，再回答問題』的智慧大腦架構。它就像是一個隨身攜帶圖書館的超級秘書，當你問 AI 問題時，秘書會先去圖書館翻書（檢索），把找到的精確段落整理成便條紙（增強），最後貼在 AI 眼前讓它看著小抄回答（生成）。」

為了讓大家徹底理解，我們來看看以下兩個有趣的雙軌比喻：

🍱 雙軌比喻一：生活版 ——「金牌大廚的客製化新食譜」

想像你是一位在米其林餐廳工作的金牌大廚（大語言模型）： * 閉卷考試（沒有 RAG）：一位客人突然點了一道「昨天剛在網路上流行起來的威靈頓舒芙蕾」。你雖然廚藝精湛，但大腦的記憶體（Pre-trained weights）裡根本沒有這道新菜的食譜。為了不砸招牌，你只能憑著以前做舒芙蕾的經驗「憑空捏造」一個做法（幻覺），結果做出來完全不是客人要的東西。 * RAG 架構（開卷考試）：當客人點了這道新菜，你的二廚（檢索系統）立刻用 iPad 上網搜尋，在 1 秒內印出這道新菜的精確食譜，翻到食材配方那一頁，用磁鐵貼在你的爐灶正前方（增強）。你這位金牌大廚低頭看著這張食譜小抄，用你爐火純青的刀工與火候掌控（生成能力），完美端出這道客製化料理。你不需要重新去廚藝學校進修（Fine-Tuning），二廚貼的小抄就解決了問題！

🎮 雙軌比喻二：動漫版 ——「寶可夢訓練家與精靈圖鑑」

想像你是一位正在草叢裡冒險的寶可夢訓練家（大語言模型）： * 傳統模型（沒有 RAG）：你雖然在學校學過很多寶可夢知識，但世界上的寶可夢品種成千上萬，而且還在不斷更新。一隻從未見過的神祕寶可夢突然跳出來擋路，你只能憑感覺猜測：「這隻紅色的看起來會噴火，應該是火屬性吧！」（這就是幻覺，可能牠其實是超能力屬性），結果派錯寶可夢導致慘敗。 * RAG 架構：當神祕寶可夢出現時，你立刻拿起手邊的「精靈圖鑑」（RAG 檢索器）對準牠。圖鑑的鏡頭捕捉到畫面，並快速在資料庫中比對（檢索），發出嗶嗶聲顯示：「這是新發現的鋼屬性寶可夢，弱點是火」（增強）。你看了看圖鑑的即時回饋，大喊：「去吧！噴火龍，使用噴射火焰！」（生成）。圖鑑這部小抄，讓你在戰鬥中立於不敗之地！

---

📐 幾何向量天秤：歐氏距離、Cosine 夾角餘弦與點積運算

RAG 的核心靈魂，是將文字轉化為高維幾何空間中的數學向量（Vector Embeddings）。在 agy 中，RAG 的運作包含三大步驟：

1. 切塊與向量化 (Chunking & Embedding)： 系統將你的長篇開發說明書或原始碼切成一小段一小段的文字塊（Chunks），並透過 Embedding 模型（如 text-embedding-3），將文字轉化為包含 1536 個浮點數的高維幾何向量。在這個高維空間中，語意相近的段落（如「資料庫連線逾時」與「DB Connection Timeout」）會被分配在極為接近的幾何座標上。
2. 語意相似度檢索 (Vector Retrieval)： 當你向大副提問：「如何設定 SQL 密碼？」時，大副會將你的提問也轉化為 1536 維的向量，並在大藏經空間中進行幾何距離比對，秒速找出關聯度最高的文字塊。
3. 增強生成 (Augmented Generation)： 大副把檢索出來的真實資料段落，作為「考試便條紙」直接貼進 Prompt 中對大腦說：「請嚴格根據以下參考資料回答問題。」大腦看著證據說話，幻覺機率瞬間歸零！

電腦是如何計算兩句話「意思很接近」的呢？這牽涉到高維空間的三大幾何算法：

• 歐氏距離（Euclidean Distance）
  • 計算空間中兩點之間的「直線物理距離」。距離越短，代表兩句話越相似。
  • 缺點：極易受文章長度影響。一篇幾萬字的長文章與一段簡短的句子，即使話題相同，歐氏距離也會因為向量模長差異被拉得極遠。
• 餘弦相似度（Cosine Similarity / 夾角餘弦）
  • 文字檢索的最愛指標！ 餘弦相似度不看向量的長短或文章字數，它只計算兩條向量在高維空間中的「夾角角度 Cosine 值」！
  • 如果夾角為 0 度（Cosine 值為 1），代表兩條向量方向完全一致，話題 100% 相同。這非常完美——即使是一行簡短的提問與一篇幾千字的說明書，只要話題一致，夾角餘弦值就會極高，成功精準配對！
• 點積運算（Dot Product / 內積）
  • 結合了向量長度與夾角方向的快速算法。若向量事先經過標準化（Unit Normalization），點積的計算結果會與餘弦相似度完全一致，且在 GPU 上的運算速度極快，能實現百萬級數據的毫秒級檢索。

---

📖 藏書閣小抄 vs 洗腦手術：RAG 開卷考試對決模型 Fine-Tuning

許多開發者常問：「老師，如果我想讓 AI 學會我們公司的私有業務知識，我到底該用 RAG（檢索增強生成），還是該做 Fine-Tuning（模型微調）？」

我們透過「開卷考試」與「大腦手術」來做深度對比：

• RAG 檢索增強生成（開卷考試小抄）
  • 技術本質：不修改大模型底層的任何一個參數。每次考試時，將檢索到的秘笈段落作為小抄貼在考卷旁邊。
  • 優勢：開發成本極低、實時性高（你今天修改了 .md 檔案，大副下秒檢索出來的就是最新內容）、且 100% 可追溯出處。
  • 劣勢：受限於上下文黑板（Context Window）的大小上限。
• Fine-Tuning 模型微調（洗腦大腦手術）
  • 技術本質：動用龐大算力，拿起螺絲起子直接修改大腦數百億個參數的物理權重，將知識永久燒錄進大腦神經元中。
  • 優勢：無需在對話中傳入額外資料，節省 Token 燃料，且能徹底重塑 AI 的語氣與說話風格。
  • 劣勢：訓練成本極高，一旦公司業務規則有變動，就必須重新花大錢進行微調訓練，非常僵化。

結論：對於絕大多數專案開發與知識庫檢索，RAG 是最實用、最便宜且效果最立竿見影的黃金方案！

---

🏷️ 聖旨便條紙與樂高重構：.agents/ 目錄、AGENTS.md 家規與跨目錄掃描

在 agy 的世界中，為了讓大副在進入你的專案時自動遵守專案規範，系統提供了強大的工作區專屬客製化機制（Workspace Customizations）：

• 專案家規標籤：AGENTS.md 與 .antigravity.md
  • 你只需在工作專案的根目錄下，建立一個名為 AGENTS.md 或 .antigravity.md 的 Markdown 檔案，寫下專案的專屬家規（例如：「本專案一律採用 TypeScript 寫作，且全篇說明絕對禁止使用表格」）。
  • 大副在啟動時，會強制優先閱讀這份聖旨便條紙，將其作為最高行動準則！
• 工作區技能套件：<project-root>/.agents/ 目錄掃描
  • 當你啟動專案時，大副會自動掃描目前專案下的 .agents/ 資料夾。在這個資料夾中，你可以放入專案專屬的自定義技能（Skills）、行為限制（Rules）、以及擴充插件。大副會將其自動合併到自己的運作邏輯中，實現「一個專案、一套專屬 AI 助手」！
• 樂高積木重構（Lego Refactor）
  • RAG 的文本切塊與載入，就像是把龐大的程式碼庫拆解成一塊塊獨立的樂高積木。大副可以根據需求，精準挑選出需要的 3 塊積木進行拼裝與重構，大幅提升代碼修改的精確度。
• 《葬送的芙莉蓮》弗蘭梅筆記本比喻：
  • 芙莉蓮雖然活了一千多年，但她不可能憑空記住一千年前大魔法使弗蘭梅隨手寫在日記本上的小魔法。RAG 就像是她的徒弟菲倫，立刻跑到廢墟中找到了弗蘭梅的筆記本，並把日記本翻到特定頁面遞到芙莉蓮面前。芙莉蓮看著筆記本施展魔法，完美解決危機！
• 跨目錄空間掃描旗標：agy --add-dir
  • 如果你的專案很大，有些共用工具庫存放於其他物理資料夾中，大副預設是看不到的。你可以輸入： agy --add-dir "C:/ai pro/shared_utils/" 把外部資料夾也掛載到大副的雷達掃描範圍內，實現跨目錄的工作區空間檢索！

---

藏經閣歸位與下一站預告

現在，我們的大副已經裝備了 RAG 向量雷達與工作區聖旨便條紙。它不再是一個會閉眼胡扯的聊天機器人，而是一位手握實體文獻、看著證據說話的頂尖工程師！

但是，身為最高指揮官，我們該如何撰寫出最精準的指令派工單？如何利用論文證實的「情緒勒索法」與「無禮貌原則」讓大腦的智力暴增？

下一堂課，我們將踏入總裁辦公室，解密 Prompt Engineering 的終極派工心法！

---

👉 下一堂課：Lecture 06.5 總裁派工心法與指揮藝術：提示詞工程（Prompt Engineering）終極指南 👉 回課程大綱：學習地圖