檢索增強生成 RAG

Retrieval-Augmented Generation

檢索增強生成（RAG）是一種結合了檢索和生成的模型架構，旨在提高生成模型的性能。

RAG 通過引入外部知識庫，讓模型在生成回答時能夠查詢相關信息，從而生成更準確和上下文相關的回答。

這種方法在許多應用中都取得了顯著的效果，特別是在需要結合大量背景知識的任務中。

LangChain - RAG
專業聊天機器人

實作架構說明


  • 目標服務：專業領域問答機器人
  • 實作框架：LangChain
  • LLM：Google Gemini-2.5-Flash
  • 向量化Embeddings model：Google embedding-001
  • 向量儲存資料庫：Qdrant
  • 環境部署：Docker、FastAPI
範例展示架構圖：
RAG結構

實作專案：民法助手


文本向量化實作： 實作範例程式碼📖
RAG實作： 實作範例程式碼📖
  • 專業領域：法學
  • 專案目標：民法查詢助手機器人
  • 實作日期：2025/7 ~
  • 發現困難點：法律用語晦澀，難以語意匹配查詢問題，語意匹配查詢結果準確度非常差。
  • 解決方向：需進行「白話再解釋」後向量化，這裡在業界可能由專業律師團隊進行白話解釋編寫。雖可使用LLM逐條白話解釋再經專業審核的解決方案，本展示專案因成本因素考量放棄執行。
  • 學習與貢獻：了解LangGraph Agent的建立方法與Agent節點與決策邊界的建立、LangChain各個Chain的建立與運作、LangGraph調用RAG QAChain的流程與方法。
運行測試結果圖示：
RAG在法學領域的困難點

實作專案：食安法顧問


RAG實作： 實作範例程式碼📖
  • 專業領域：食品與安全
  • 專案目標：食安法顧問機器人
  • 實作日期：2025/7 ~
  • RAG語料方向：對食安法的條文內容進行問答式QA白話解釋，以QA的方式表達每條條文情境。使用Gemini-2.5-Flash進行大量的語料解釋與QA，再進行人工修改。
  • 前端展示：簡單的聊天對話框html/css呈現
  • 學習與貢獻：了解了語料使用QA情境的方式可以提高RAG準確度，但如果要更佳精準需要以大量人工審查或修改、新增QA語料的情境
  • 進一步提升準確度的方向：個人認為可能只設計大量「模擬問題」就足以提升語意檢索準確度，以本專案來說就是要產生大量問題來涵蓋法條情境；可以朝著"synthetic query expansion"（合成查詢擴展）、"semantic anchor augmentation"（語意錨定增強）的方向進行探索。
  • 環境部署：前端請求 → 後端Express → FastAPI → LangChain
Thunder Client API POST結果圖示：
POST
實際運行RAG系統對話成果展示： 點擊進入DEMO成果📖