RAG 是什麼？
RAG（Retrieval-Augmented Generation，檢索增強生成）是先從你提供的文件找出相關段落，再讓大型語言模型只根據那些段落整理答案的做法。它適合會更新的規章、SOP、FAQ 與產品資料，不是把整批檔案拿去訓練成另一個模型。
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。
RAG 是什麼
RAG（Retrieval-Augmented Generation）是企業知識庫常見架構：先檢索 PDF、SOP、FAQ 或資料庫片段，再由大型語言模型依這些片段作答並附上來源。文件更新時重建索引即可，不必把整間公司的資料訓練成新模型。
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
- ・NAS 或指定資料夾掃描與增量同步
- ・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」。
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 依模型既有知識回答，不知道你沒提供的內部文件。RAG 會先搜尋指定文件，再要求模型依檢索結果作答並標出來源。它仍可能誤解段落，所以要能點回原文。
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。
企業知識庫一定要做 RAG 嗎？
如果問題是查既有文件並附出處，RAG 是常見做法。如果只是摘要、改寫或分類且不需要對到原文，一般 LLM API 就夠。若還要查資料庫或呼叫工具，再加受控 Agent。
RAG 開發要多久、大概多少錢？
小範圍知識庫常見 4～10 週。AI／RAG 系統參考 NT$100,000～300,000 起；只驗證一批文件可否問出答案的 PoC 可從 NT$50,000 起。實際取決於文件品質、權限與是否串接既有系統。
公司 NAS 裡的檔案可以做成知識庫嗎？
可以。Leaf AI Workspace 的公開示範會掃描指定資料夾，增量同步行政、人資與照護文件，回答時附文件名與頁碼。正式環境可改掛已掛載的 NAS，檢索流程不變。上線前仍要定義誰能查哪一類檔案，以及過期文件由誰更新。體驗見 https://leafflow-ai.vercel.app/knowledge
文件會被拿去訓練模型嗎？
一般企業 RAG 不需要微調或自訓模型。文件存在自己的檢索庫，提問時才把相關片段送給 API。是否允許供應商留存資料，要看所選 API 方案與合約。
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。