有了前幾篇文章的觀念，以及「Node.js & LLM 原理與實務第 4 章」的基礎，我們就可以「純手工」來打造一個「極簡向量資料庫」。 (more)

有了「語意空間」與「距離」的觀念後，就可以實際打造一個語意搜尋系統，方式如下： 上述過程就稱為 Top-K 檢索，這是 RAG 系統中「語境擷取（Context Retrieval）」的第一步。舉例來說，若查詢「退貨流程」，系統會自動挑出語意最接近的句子，如「退款規則」、「商品退換申請」。接著，這些句子將作為 LLM 的參考語境輸入，協助模型生成更準確的回答。 (more) (more)

之前的教學，我們將語言變成可運算的數學表達式。接下來，就是要實際寫程式判斷兩個句子是否「語意相近」，最基本的方法，就是：餘弦相似度（Cosine Similarity）。 (more) (more)

「Node.js & LLM 原理與實務」書上第 4 章提到 Text Embeddeding（向量化），其中 4.4 節「向量化文本資料」介紹如何使用 text-embedding-3-small 來取得語意向量的部份，延續前二篇文章的說明（詳見 Also read），本文再行補充 2 個實例，說明向量化與語意搜尋的概念。 (more) (more)