AI 工作流與團隊

整理工作流程、資料與責任，讓方法能穩定重跑並交給同事。

把單次做法變成可重複、可交接的方法

RAG

RAGAgentic RAG vs 傳統 RAG：5 個關鍵差別、3 種 self-correction、跟「什麼時候別用」（拆解微軟 L5）「Agentic RAG」是 2025-2026 RAG 社群最常被誤讀的詞——多數人以為它是「加 agent…2026.05.19
RAG企業導入 RAG 完整實戰指南 — 從「要不要做」到「做完怎麼評估」企業評估 RAG 導入的完整流程：200 份文件、五組對照實驗、從 Context Stuffing 93 分到 RAG 88 分的數據解讀。結論：小資料集不需要 RAG，大規模才是 RAG 的價值所在。附六個技術決策 trade-off、品質診斷方法論、不同規模下的最佳方案選擇。2026.03.25
RAGRAG 優化實戰：Query Rewriting 怎麼把分數從 77 拉到 88RAG 系統從 77 分優化到 88 分的完整記錄。Query Rewriting 讓 Retrieval Failure 減少 60%、Type A 達到滿分 5.00。六方比較表顯示 RAG v2 追平 Context Stuffing，但能處理 3.8 倍資料量。附優化決策過程和 20 題樣本局限性分析。2026.03.25
RAGRAG 系統的 77 分怎麼來的？一次完整的 Retrieval 品質診斷逐題標記 100 個 chunks 的檢索相關性，發現 60% 品質問題來自 Retrieval、Generation Failure = 0。Retrieval Precision 從 Type A 的 36% 降到 Type C 的 16%，Hybrid Search 互補效果只在 40% 題目有效。附三大優化方向和理論上限推導。2026.03.25
RAGRAG 實測：用 200 份文件跑出來的數據，跟你想的不一樣用 200 份文件跑四組對照實驗：Context Stuffing 14 檔 88 分、64 檔 93 分、關鍵字搜尋 59 分、RAG Hybrid 77 分。RAG 用 2% 資訊量達到 83% 效果，是唯一能處理 462K tokens 規模的方案。附不同規模下的最佳方案選擇指南。2026.03.25
RAG建一條 RAG Pipeline 之前，你需要做的六個技術決策從 Chunking 策略到 Top-K 設定，建 RAG pipeline 的六個關鍵選型決策完整記錄。每個決策寫清楚考慮了什麼、選了什麼、為什麼、犧牲了什麼。用 200 份中英文混合文件的實際數據驗證，附 pipeline 效能指標。2026.03.25
RAG你的資料真的需要 RAG 嗎？三組 Baseline 實測告訴你200 份文件的知識庫，該不該用 RAG？實測三組 baseline：Context Stuffing 14 檔 88 分、64 檔 93 分、關鍵字搜尋 59 分。結論：小資料集不需要 RAG，但關鍵字搜尋的語義歧義讓跨文件問題崩壞到 1.80 分。附人工覆核驗證和 token 計算。2026.03.25