GwarketAH
查看專案

AI 知識、記憶與 RAG

把資料存起來，不等於 AI 會在需要時正確使用。本主題整理筆記與來源、上下文與版本，以及 RAG 檢索的方法和實驗；你可以從個人筆記開始，也可以直接進入檢索品質與知識系統設計。

推薦起點

按目前想解決的問題挑一篇開始，不必依序讀完。

Obsidian AI 筆記怎麼開始？從網頁收藏到可查證知識庫的實作教學

先建立來源、工作筆記與答案之間可回查的連結。

閱讀文章

AI 長期記憶怎麼建立？用 Memory Router 管理上下文與知識庫

再理解資料何時被取用，以及範圍與版本如何控制。

閱讀文章

RAG 之前你該知道的事：四種資料檢索方法完整比較

準備做檢索時，先比較不同方法，而不是直接選框架。

閱讀文章

系列閱讀

依既有策展順序保留完整成員，跨主題篇章也在其中。

建議閱讀順序

企業 RAG 實驗與導入

由檢索選型、基準、建置、實驗、診斷到優化與總結。

  1. 01RAG 之前你該知道的事：四種資料檢索方法完整比較AI 知識、記憶與 RAG
  2. 02你的資料真的需要 RAG 嗎？三組 Baseline 實測告訴你AI 知識、記憶與 RAG
  3. 03建一條 RAG Pipeline 之前，你需要做的六個技術決策AI 知識、記憶與 RAG
  4. 04RAG 實測：用 200 份文件跑出來的數據，跟你想的不一樣AI 知識、記憶與 RAG
  5. 05RAG 系統的 77 分怎麼來的？一次完整的 Retrieval 品質診斷AI 知識、記憶與 RAG
  6. 06RAG 優化實戰：Query Rewriting 怎麼把分數從 77 拉到 88AI 知識、記憶與 RAG
  7. 07企業導入 RAG 完整實戰指南 — 從「要不要做」到「做完怎麼評估」AI 知識、記憶與 RAG

全部文章

依正式子題分組，組內依原發布時間由新到舊。

筆記、來源與知識整理

  1. Obsidian AI 筆記怎麼開始？從網頁收藏到可查證知識庫的實作教學
  2. AI 工作該放在專案、資料夾，還是新的對話？
  3. AI 產出不是知識：用候選層與人工審核守住知識庫
  4. AI 工具會來來去去，真正該設計的是底下的資料庫

上下文、記憶與版本

  1. AI 長期記憶怎麼建立？用 Memory Router 管理上下文與知識庫
  2. Instructions／AGENTS.md：哪些規則值得長期保存？
  3. AI 為什麼會忘記？怎麼管理脈絡、工作記憶與版本？
  4. 微軟把 Context Engineering 升格為單獨一課：4 種 context failure 跟一個成本悖論（拆解微軟官方 L12 / L13）
  5. Context 才是 Claude Code 的稀缺資源
  6. Context Engineering 取代 Prompt Engineering — 1M 窗口時代的 AI 協作方法論
  7. AI 跨 Session 記憶斷層 — 用 HANDOFF 模式讓每次對話都能接住上次進度
  8. Claude Code 用久了為什麼會「變笨」？用六層架構的系統設計思維來解決

RAG、檢索與品質診斷

  1. Agentic 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）
  2. 企業導入 RAG 完整實戰指南 — 從「要不要做」到「做完怎麼評估」
  3. RAG 優化實戰：Query Rewriting 怎麼把分數從 77 拉到 88
  4. RAG 系統的 77 分怎麼來的？一次完整的 Retrieval 品質診斷
  5. RAG 實測：用 200 份文件跑出來的數據，跟你想的不一樣
  6. 建一條 RAG Pipeline 之前，你需要做的六個技術決策
  7. 你的資料真的需要 RAG 嗎？三組 Baseline 實測告訴你
  8. RAG 之前你該知道的事：四種資料檢索方法完整比較