RAG 和一般 ChatGPT 差在哪？
一般 ChatGPT 依模型既有知識回答。RAG 會先搜尋你提供的文件，再要求模型只根據檢索到的內容回答，並標出來源。它仍可能誤解段落，所以要能點回原文。
RAG
企業 RAG AI 知識庫開發
RAG 是把企業文件先檢索出來，再交給大型語言模型依那些資料整理答案的架構。它不是把整間公司的檔案直接「訓練」成另一個 ChatGPT。
適合解決的問題
- ・PDF、Excel、Word 很多，找一份規定要很久。
- ・新人重複問同樣的 SOP、保固或產品問題。
- ・希望用自然語言提問，但答案必須來自公司資料並能回溯出處。
可以包含什麼
- ・PDF、Word、Excel、FAQ、SOP、商品資料
- ・文件解析、切段、Embedding
- ・向量檢索與回答附來源
- ・權限：誰能問哪一類文件
- ・管理後台：更新、下架過期文件
怎麼做
文件
匯入並解析 PDF、Office 或資料庫內容。
索引
切段、產生 Embedding，存入 PostgreSQL／pgvector 或其他向量庫。
回答
檢索相關片段後由模型作答，並顯示來源。必要時加 Reranking。
適合誰、時間與費用
- ・有大量內部文件的公司
- ・客服或業務需要查產品／制度
- ・不想把機密文件直接貼進公開聊天工具的團隊
時程：小範圍知識庫常見 4～10 週，取決於文件品質、權限與後台需求。
費用：AI／RAG 系統參考 NT$100,000～300,000 起，依資料量、權限與是否串接既有系統調整。
正式價格於需求確認後提供，以上為參考。
我們不會直接承諾的事
- ・文件過期或互相矛盾時，AI 仍可能答錯。要以來源與更新流程降低幻覺，而不是保證零錯誤。
- ・沒有定義資料範圍前，不承諾「自動學會所有公司資料」。
常見問題
RAG 和 Fine-tuning 哪個適合企業知識？
公司規章、產品與 SOP 會更新，通常先做 RAG。Fine-tuning 比較適合固定語氣或格式，不適合當作會變動的知識庫。
權限怎麼處理？
依登入身分限制可檢索的文件集合。回答前先過濾，避免 A 部門問到 B 部門的內部檔。