RAG 是什么？
RAG（Retrieval-Augmented Generation，检索增强生成）是先从你提供的文件找出相关段落，再让大型语言模型只根据那些段落整理答案的做法。它适合会更新的规章、SOP、FAQ 与产品资料，不是把整批档案拿去训练成另一个模型。
RAG
企业 RAG AI 知识库开发
RAG 是把企业文件先检索出来，再交给大型语言模型依那些资料整理答案的架构。它不是把整间公司的档案直接「训练」成另一个 ChatGPT。
RAG 是什麼
RAG（Retrieval-Augmented Generation）是企业知识库常见架构：先检索 PDF、SOP、FAQ 或资料库片段，再由大型语言模型依这些片段作答并附上来源。文件更新时重建索引即可，不必把整间公司的资料训练成新模型。
適合解決的問題
- ・PDF、Excel、Word 很多，找一份规定要很久。
- ・新人重复问同样的 SOP、保固或产品问题。
- ・希望用自然语言提问，但答案必须来自公司资料并能回溯出处。
可以包含什麼
- ・PDF、Word、Excel、FAQ、SOP、商品资料
- ・NAS 或指定资料夹扫描与增量同步
- ・文件解析、切段、Embedding
- ・向量检索与回答附来源
- ・权限：谁能问哪一类文件
- ・管理后台：更新、下架过期文件
怎麼做
文件
汇入并解析 PDF、Office 或资料库内容。
索引
切段、产生 Embedding，存入 PostgreSQL／pgvector 或其他向量库。
回答
检索相关片段后由模型作答，并显示来源。必要时加 Reranking。
適合誰、時間與費用
- ・有大量内部文件的公司
- ・客服或业务需要查产品／制度
- ・不想把机密文件直接贴进公开聊天工具的团队
時程：小范围知识库常见 4～10 周，取决于文件品质、权限与后台需求。
費用：AI／RAG 系统参考 NT$100,000～300,000 起，依资料量、权限与是否串接既有系统调整。
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
- ・文件过期或互相矛盾时，AI 仍可能答错。要以来源与更新流程降低幻觉，而不是保证零错误。
- ・没有定义资料范围前，不承诺「自动学会所有公司资料」。
相關案例
- Leaf AI Workspace 企業 AI 助理
Leaf AI Workspace：掃描 NAS 資料夾做企業文件知識庫、附頁碼回答，並用受控工具查專案／帳款，通知前先人工確認。
延伸閱讀
- RAG 是什麼？企業 AI 知識庫完整介紹
說明 RAG 如何把公司 PDF、SOP 與 FAQ 變成可提問的知識庫，以及它和直接使用 ChatGPT 的差別。
- RAG 系統開發費用是多少？
整理企業 RAG 知識庫的價格區間、影響報價的因素，以及為什麼不適合在看文件前報死價。
- ChatGPT 如何串接公司內部資料？
比較把檔案貼上聊天、使用企業方案，以及自建 RAG／API 串接的差異與風險。
相關服務
常見問題
RAG 和一般 ChatGPT 差在哪？
一般 ChatGPT 依模型既有知识回答，不知道你没提供的内部文件。RAG 会先搜寻指定文件，再要求模型依检索结果作答并标出来源。它仍可能误解段落，所以要能点回原文。
RAG 和 Fine-tuning 哪个适合企业知识？
公司规章、产品与 SOP 会更新，通常先做 RAG。Fine-tuning 比较适合固定语气或格式，不适合当作会变动的知识库。
企业知识库一定要做 RAG 吗？
如果问题是查既有文件并附出处，RAG 是常见做法。如果只是摘要、改写或分类且不需要对到原文，一般 LLM API 就够。若还要查资料库或呼叫工具，再加受控 Agent。
RAG 开发要多久、大概多少钱？
小范围知识库常见 4～10 周。AI／RAG 系统参考 NT$100,000～300,000 起；只验证一批文件可否问出答案的 PoC 可从 NT$50,000 起。实际取决于文件品质、权限与是否串接既有系统。
公司 NAS 里的档案可以做成知识库吗？
可以。Leaf AI Workspace 的公开示范会扫描指定资料夹，增量同步行政、人资与照护文件，回答时附文件名与页码。正式环境可改挂已挂载的 NAS，检索流程不变。上线前仍要定义谁能查哪一类档案，以及过期文件由谁更新。体验见 https://leafflow-ai.vercel.app/knowledge
文件会被拿去训练模型吗？
一般企业 RAG 不需要微调或自训模型。文件存在自己的检索库，提问时才把相关片段送给 API。是否允许供应商留存资料，要看所选 API 方案与合约。
权限怎么处理？
依登入身分限制可检索的文件集合。回答前先过滤，避免 A 部门问到 B 部门的内部档。