⓵ 【容易懂 Easy Know】：
想像一下，你想教 AI 讀書，希望它讀完就能回答你的問題。傳統方法就像把書一股腦丟給它，希望它自己讀懂，但 AI 常常讀不懂，回答得很奇怪。這是因為 AI 讀書的方式很特別：它會先把書切成一小塊一小塊的，然後把每一小塊變成一串數字。當你問問題時，它也把問題變成一串數字，然後看看問題的數字和書本哪一小塊的數字最像，就選那幾塊給 AI 看。但這樣切書很容易切壞，AI 看的只是片段，所以回答不好。就像你只看漫畫的幾格，很難知道整個故事在講什麼一樣。為了讓 AI 讀懂書，我們需要更好的切書方法，或者用更聰明的 AI，讓它能從片段中理解完整的故事。
---
⓶ 【總結 Overall Summary】：
影片探討了AI知識庫的技術局限性，並深入分析了目前最常用的檢索增強生成（RAG）流程的原理與缺陷。RAG系統首先將資料切割成文本塊，再將文本塊向量化儲存於向量資料庫中。用戶提問時，系統將提問向量化後與資料庫進行相似度匹配，選出最相關的文本片段，連同問題一起提供給大型語言模型進行歸納總結。然而，這種流程存在切片粗糙、檢索不精準、缺乏大局觀等問題，導致回答品質受限。
影片首先演示了使用Cherry Studio搭建本地知識庫的過程，並指出其採用的簡單分塊方法會截斷句子，影響AI對上下文的理解。針對檢索不精準的問題，影片介紹了重排序模型，該模型能對向量資料庫初步檢索的結果進行更深入的語義分析，提高資料的相關性排序，從而提升檢索精度。
針對RAG系統缺乏大局觀，難以處理結構化資料或統計型問題，影片提出使用MCP Server連接關係型資料庫的解決方案。透過MCP Server，AI能夠操作資料庫，執行SQL查詢，實現對結構化資料的精準分析。此外，影片還介紹了利用超大上下文模型（如Gemini 2.0 Pro）直接將完整資料輸入AI進行檢索的方法，並進行了實際測試，驗證了其可行性。總而言之，AI知識庫的構建是一個複雜的系統性工程，需要結合多種工具和策略，不斷優化檢索流程，才能獲得更好的效果。影片最後提到自適應RAG，透過查詢類型自動選擇最佳檢索策略，是目前公認較好的方案。
---
⓷ 【觀點 Viewpoints】：
* RAG系統存在切片粗糙的問題，影響AI對上下文的理解。（簡單分塊方法可能截斷句子）
* 傳統REG的檢索不夠精準，基於純數字的相似性計算無法完全代表文字的實際含義。（需要更深入的語義分析）
* 重排序模型可以提高REG知識庫的檢索精度。（先粗後細的兩步檢索策略）
* RAG技術缺乏大局觀，難以處理結構化資料或統計型問題。（需要借助關係型資料庫）
* MCP Server連接關係型資料庫是解決結構化資料查詢問題的有效方案。（AI可透過SQL語法操作資料庫）
* 超大上下文模型可用於知識庫檢索，但token消耗量大。（直接將完整資料輸入AI進行檢索）
* 自適應RAG是目前公認效果較好的方案，可根據查詢類型自動選擇最佳檢索策略。（結合多種檢索方式提高精度）
---
⓸ 【摘要 Abstract】：
📌 AI知識庫並非簡單地將所有資料拖入AI客戶端即可。
⚠️ RAG流程存在切片粗糙、檢索不精準、沒有大局觀三大問題。
✅ 重排序模型可提升REG知識庫的檢索精度，進行更深入的語義分析。
🧮 MCP Server可讓AI使用關係型資料庫，解決結構化資料的統計分析問題。
🔑 超大上下文模型可直接將資料拖入對話框進行檢索。
📚 自適應RAG可根據查詢類型自動選擇最佳檢索策略。
🧪 Cherry Studio用於本地知識庫搭建和測試。
🌐 Gemini 2.0 Pro的超大上下文窗口可用於知識庫檢索。
💡 AI知識庫的構建是一個複雜的系統性工程，需要不斷優化。
---
⓹ 【關鍵字 Key Words】：
* AI知識庫
* RAG（檢索增強生成）
* 向量資料庫
* 嵌入模型
* 重排序模型
* MCP Server
* 關係型資料庫
* 超大上下文模型
* Cherry Studio
* 自適應RAG
✡ Oli小濃縮 Summary bot 為您濃縮重點 ✡