Intelligent Agent 實作研習 / 多頁教材版

Chapter 5｜RAG 與 Agent

把知識庫、檢索與生成整合進教學場景，讓 Agent 能回答更貼近課程資料的問題。

教師研習理論 + 架構 + 實作 RWD + 深色模式 Mermaid + 程式碼範例

學習目標

理解 Embedding、Vector Database、Retrieval、RAG Workflow。
能把教學資料轉成最小可行 RAG 案例。
知道 RAG 與 Agent Workflow 如何結合。

理論說明

flowchart TD A[原始文件] --> B[切 chunk] B --> C[Embedding] C --> D[Vector DB] E[使用者問題] --> F[Query Embedding] F --> D D --> G[Retrieval] G --> H[LLM 生成] H --> I[答案 + 引用來源]

RAG 的目標不是讓模型變得更聰明，而是讓回答能更貼近你的資料。對教師而言，RAG 最大的價值是把教材、規範、實驗手冊與範例題庫轉成可查詢知識庫，並保留「來源片段」供學生或教師檢查。

外語學院案例

建立英語寫作回饋知識庫。
匯入範文、常見錯誤與修辭規則。
先檢索相關規則，再生成修改建議。

半導體工程案例

建立製程講義與實驗手冊知識庫。
匯入材料規格表與元件說明。
讓 agent 回答問題時附上章節與來源片段。

操作流程

決定資料來源：PDF、講義、規格表、課程筆記。
將文件切成 chunk。
建立 embedding 並存入向量資料庫。
查詢時先做 retrieval，再交給 LLM 生成答案。
最後要求系統附上引用片段。

範例程式（概念示意）

documents = ["chapter1.txt", "lab_notes.txt", "faq.txt"]
question = "半導體製程中乾蝕刻與濕蝕刻的差異是什麼？"

workflow = [
    "read documents",
    "chunk text",
    "embed chunks",
    "retrieve top-k relevant chunks",
    "answer with citations",
]
print(workflow)

實作練習

請學員用自己的課程資料，設計一個最小 RAG 系統：

資料從哪裡來？
如何分段？
學生會問什麼問題？
最後輸出是摘要、問答還是學習單？

常見錯誤

chunk 太大，檢索結果不精準。
只有答案沒有引用來源，難以在教學上檢查。
把 RAG 當成資料庫本身，而忽略資料清理與更新流程。

Workshop 課程地圖