校本知識庫(RAG)：讓 AI 先翻你校文件，再作答並標明來源

新學年開學週，中文科梁主任收到一位代課老師的 WhatsApp:「小五上學期教學進度教到哪一課？功課量上限是多少？」代課老師不想打擾整個科組，但通用 AI 給的答案把「建議」和「本校規定」混在一起。梁主任後來在 Edor.ai 問同一條問題，系統先檢索校本進度表與《功課政策 2026》，回覆末尾附「來源：中文科進度表 2025–26，第 3 節；功課政策，第 2 章」——代課老師兩分鐘核對完，不用猜。

校本知識庫(RAG)把 AI 從「對全世界有印象的陌生人」變成「翻得到你校文件的人」：回答前先檢索、再生成、並標明出處；文件屬於學校，可整套匯出，不用於訓練模型。

---

通用 AI 為何答不好校務問題

問「我校小四上學期中文教到哪一課」「功課政策是甚麼」「按我們格式寫通告」，通用模型只能依公開語料推測，常把別校做法或過時建議說成定論。檢索增強生成(RAG) 的做法是：先把問題變成檢索指令，在學校文件庫找最相關段落，再要模型只根據這些段落作答，並附上來源標籤。準確度與可追溯性都高於單靠模型記憶。

四步運作

上載 — PDF、Word、簡報、網頁等放入知識庫；系統切段並建立索引。每份文件應標科目、級別、學年、負責人。

檢索 — 教師或學生提問時，系統找出最相關的數個段落（不是整本書塞進 prompt）。

生成 — AI 根據檢索結果作答，末尾或句旁附來源，例如「來源：《功課政策 2026》第 3 節」。

追溯 — 使用者點開來源核對；檢索日誌記錄哪些文件被引用、哪些問題找不到答案（代表缺文件）。

重點：文件不會進入模型訓練，只是在回答時被翻閱。

知識庫的價值不在上載那一刻，而在「找不到來源就不亂答」的習慣。

第一批該放甚麼

起步寧少勿濫，優先三類：課程進度與單元目標（各科進度表、校本課程綱要）、政策文件（功課、評估、SEN、資訊科技使用政策）、行政範本（通告、通函、家長信、會議紀錄格式）。第二階段再加校本筆記與工作紙（按班開放）、評分準則（供 AI 評卷引用）、學校簡介與活動一覽（供 eAdmin 用）。

六個使用情境

備課 — 「按本校小五數學第 6 單元目標生成教案大綱」:AI 引用進度表，教師不用重打一遍學年規劃。

智能導師 — 學生問「這一課重點是甚麼」：導師引用教師開放的校本筆記，而非網上任意文章；配合 支架式導師 不直接代寫。

AI 評卷 — 初評時引用科組評分準則條文，評語可對照準則編號；教師覆核時見到依據。

eAdmin — 草擬通告時檢索過往範本，稱謂與回條格式一致；見 AI 行政代理。

教職員問答 — 「本校 SEN 學生考試調適申請流程？」：引用政策章節，新同事不用翻遍共享資料夾。

新教師入職 — 單一對話介面回答校規、系統、流程，每條附可核對來源，減少口耳相傳的偏差。

權限分層

全校 — 政策、行政範本；所有教職員可檢索。

科組 — 進度、教材、準則；只有該科教師。

班級 — 教師開放給某班學生的教材；學生模式僅能觸及此層中已開放部分。

個人 — 教師私人備忘；預設不進學生檢索。

學生模式須經安全守門，且不得檢索未開放文件。內部人事、個案紀錄不應上載至可被廣泛檢索的層級。

品質與版本維護

更新政策時，舊版保留但標記「不再檢索」;科主任每學期檢視過期文件。檢索日誌顯示高頻引用文件與「零結果」問題——後者往往是知識庫缺口，比猜測更有用。

資料屬於學校

知識庫是多年累積的校本資產。平台須允許：隨時整套匯出（原檔加索引元數據，不收費不限次）;刪除即失效（刪除後 AI 不再引用）;合約終止時協助遷移並提供刪除證明。知識庫愈用愈有價值——正因如此，必須完全由學校持有。

常見誤解

• 誤解：上載愈多文件，AI 就愈聰明。 實情：未標權限、未版本管理的雜亂上載，反而引入矛盾條文。寧可少而準，有標籤、有負責人、有現行版標記。

• 誤解:RAG 等於把學校資料拿去訓練模型。 實情:RAG 只在回答時檢索；訓練與檢索是不同流程。合約與技術架構應明確禁止用校本文件訓練，並允許匯出刪除。

• 誤解：有知識庫就不用教師覆核 AI 輸出。 實情：檢索到的段落可能過時、截取不完整，或問題超出文件範圍時模型仍可能補腦。來源標籤是方便核對，不是免責牌。

星期一可以做的三件事

1. 上載三份現行文件：功課政策、一份通告範本、一科進度表——作為知識庫種子。
2. 用同一問題分別問通用 AI 與校本知識庫（例如「我們小五第 6 單元目標是甚麼」），比較有無來源、可否點開核對。
3. 與 ICT 確認：學生模式檢索範圍、匯出流程與「舊版不再檢索」設定是否已啟用。