解析：
RAG 技術能將十年的病蟲害防治紀錄建立為向量資料庫，根據農民描述檢索相關文件，再結合 LLM 生成精準的防治建議，最適合此類知識密集型查詢需求。
你有沒有想過，搜尋不一定要靠字面完全一樣，也能找到意思相近的內容？ 你可以把向量資料庫想成「專門用來找語意相近資料的資料庫」 它先把文字、圖片或音訊轉成向量，再用相似度找最接近的內容 所以它特別適合檢索、推薦和 RAG
你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。
容易混淆
向量資料庫 vs 關聯式資料庫 向量資料庫靠相似度找資料 關聯式資料庫靠欄位和條件查資料 最關鍵的區別：意思相近還是欄位精準
向量資料庫 vs 搜尋引擎 向量資料庫重視語意距離 搜尋引擎更常做關鍵字和排序 最關鍵的區別：語意搜尋和字面搜尋
向量資料庫 vs 嵌入模型 向量資料庫負責存和找 嵌入模型負責把內容轉成向量 最關鍵的區別：儲存檢索和表示生成
記住這句就好
先把內容變向量，再用距離找出最像的那一群。
實際案例
客服知識庫 把 FAQ 轉成向量後，使用者即使換成別的說法，系統也能找出相近答案
圖片推薦 商品圖片編碼成向量後，可以用外觀相似度找出相似商品
算法與應用
| 嵌入表示 | 把內容轉成向量 | 是前置步驟 | | 相似度搜尋 | 找距離最近的向量 | 常用餘弦或內積 | | 索引結構 | 加速大量向量查找 | 不然查詢太慢 | | RAG | 把檢索內容送進生成模型 | 很常見的組合 |
情境判斷
Q1（直覺題）： 你要找意思相近的 FAQ，向量資料庫有幫助嗎？
有幫助，因為它不只看關鍵字，還看語意相似度。
Q2（判斷題）： 你要做精準欄位篩選，例如價格大於 1000，還適合只靠它嗎？
不適合，這種條件查詢關聯式資料庫更直接。
常見問題
向量資料庫一定要搭配大模型嗎？
不一定，但通常會先靠嵌入模型產生向量。
它只能放文字嗎？
不是，圖片、音訊和影片特徵都可以。
為什麼查得快很重要？
因為向量資料常常很大，沒有索引就會慢到不能用。
範例考題
某有機農場累積了十年的病蟲害防治紀錄文件，包含不同作物的病害症狀描述、防治方法和效果評估。農場主人希望建立一個 AI 助手，能根據農民描述的作物症狀，快速提供相關的防治建議和歷史案例。下列哪一種技術最適合解決這個需求？
- A. 直接使用 ChatGPT 的預訓練知識回答農業問題
- B. 將所有文件內容加入 ChatGPT 的系統提示詞中
- C. 採用 RAG 技術，將農場文件建立向量資料庫，結合大語言模型生成回答 ✓ 正確答案
- D. 使用少樣本學習（Few-shot Learning），在提示詞中提供 3-5 個病害案例