01
M8801－Node.js Fullstack 原理與實務－讀者服務區
這本書是為 Node.js 初學者設計的入門教材，也是一份幫助你從零開始、逐步建立實作能力的學習指南。
Jollen's Blog 專欄
RAG、語意搜尋與 LLM
從語境擷取、向量表示、餘弦相似度到 Top-K 檢索，依序整理 RAG 與語意搜尋的核心技術。
9 篇文章連載中
02
RAG 是一種語境搜尋架構
RAG 檢索之所以重要，是因為 RAG 主要在「如何找到正確的語境」，RAG 並非傳統的關鍵字檢索
03
M8802－Node.js & LLM 原理與實務－讀者服務區
這本書是為 LLM 初學者設計的入門教材，也是一份幫助你從零開始、逐步建立實作能力的學習指南。
04
語意搜尋的核心：向量表示（Vector Representation）
語意搜尋的關鍵在：讓語言變成可運算的 Expression（運算式）
05
RAG 向量化與語意搜尋概論
說明 RAG 如何將文本轉為向量，並透過向量資料庫建立可搜尋的語意索引與檢索流程。
06
RAG 向量距離計算：餘弦相似度（Cosine Similarity）概論
說明餘弦相似度如何計算向量方向的接近程度，並用於 RAG 的語意排序與相關內容選取。
07
Text Embedding 的應用：語意對齊（Semantic Alignment）概論
說明 Text Embedding 如何將不同文字映射到共同向量空間，用於語意對齊、比較與檢索。
08
RAG & Top-K 檢索概論：使用 Text Embedding
這是 RAG 系統中「語境擷取（Context Retrieval）」的第一步
09
純手工極簡向量資料庫：使用 Top-K
從零實作極簡向量資料庫，整理向量儲存、餘弦相似度與 Top-K 檢索的完整流程。