RAG 和一般 ChatGPT 差在哪？
一般 ChatGPT 依模型既有知识回答。RAG 会先搜寻你提供的文件，再要求模型只根据检索到的内容回答，并标出来源。它仍可能误解段落，所以要能点回原文。
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。
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
- ・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（leafflow-ai.vercel.app）：企業文件 RAG 問答、白名單工具查專案／帳款，以及通知前人工確認的公開示範。
常見問題
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。
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。