校本知識庫與檢索增強生成（RAG）

學期初，一位剛調到中學的通識科老師在 WhatsApp 問同事：「長作業遲交扣幾多分？」三個人回了三個版本。她轉而問通用 AI，得到一段條理分明、語氣權威的說明——與本校《評估政策》完全不符。副校長後來說：「不是 AI 笨，是你問錯地方；它從未進過我們的檔案櫃。」

檢索增強生成（RAG）是應用模組的關鍵一課：上一課你學會寫工單式提示，本課處理提示裡放甚麼材料——讓 AI 先翻校本文件再開口，而不是憑訓練記憶硬答。

---

校務處職員的答法

通用 AI 像一位博學但從未入過你校門的顧問：問校本細節時，它會用「一般學校大概怎樣」補完空白，而且語氣往往很肯定。

RAG 換一種流程：先查檔、後執筆。 英文全名 retrieval-augmented generation，重點在順序——檢索（retrieval）在前，生成（generation）在後。你可以把它想成校務處職員收到家長查詢：她不會憑印象答，而是翻開《家長通函匯編》，找出相關一兩頁，照条文回覆，並告知「詳見通函第幾段」。

三步：入櫃、配對、執筆

入櫃（切段與索引）。 學校上傳文件後，系統把每份切成若干段落，並為每段建立「意思指紋」（embedding，原理見 Embedding、位置編碼與自注意力）。重點直覺：配對靠意思相近，不靠字面相同。 問「病假要交甚麼證明」也能找到寫「醫生紙」的段落。

配對（檢索）。 有人提問時，系統為問題做指紋，在全部段落中找出最接近的數段——通常先取十幾段，再篩到最相關的三四段（重排細節見下一課）。

執筆（生成）。 把選中的段落連同問題交給模型，指令是：只依這些段落回答，並標明每句出自哪一段。文件從未進入模型訓練；它們留在學校資料庫，可增可刪可匯出。

有出處的答案才能覆核；可覆核，才是校本 AI 與通用聊天工具最根本的分野。

為甚麼不該拿去「訓練」

學校常有的直覺是：「既然它不認識我們，就用我們的資料訓練它。」這條路成本高、風險大，而且搞錯了問題類型。

校本知識庫（RAG） 適合處理事實：功課上限、請假流程、評分準則、課程進度。更新政策只需上傳新版本；刪除文件即停止引用；答案可以逐句標來源；一般伺服器即可運作。

微調模型 適合處理「說話方式」：固定回饋語氣、某類表格格式、專門任務的行文習慣。資料一旦融入參數，難以逐份取回；無法為每句答案標「出自第幾段」；需要 GPU 與專業人手。微調的正確用途見 LoRA 與 QLoRA。

一句話：要 AI 知道「事實」，用檢索；要 AI 學會「口吻」，才考慮微調。

德育組組長的選擇

一所小學德育組曾評估兩條路：把三年通告、家長信、請假流程全部拿去微調一個「校本助手」；或建知識庫做 RAG。IT 支援同學算過：微調一次要整理乾淨語料、預留 GPU、且政策改字后要再訓練；RAG 則是上傳 PDF、按標題切段、教師即可在後台看「哪份文件被引用最多」。組長最後選 RAG，理由很務實：「我們要的是可更新、可刪除、可核對的政策問答，不是一個會背誦舊版通告的語氣機器。」

接地提示：只准看這幾段

即使不用完整平台，你也可以手動模擬 RAG。把文件節錄放在三角括號內，並寫硬規則：

以下三角括號內是本校文件節錄。只依節錄回答。
規則：每句結論後用方括號註明段落編號；找不到就答「文件中沒有提及」，不要用你自己的知識補充。
問題：學生因病缺席測驗，補測如何安排？
<<<
[段落 1] ……
[段落 2] ……
>>>

對照實驗：改問一條文件裡沒有的問題（例如「因家庭旅行缺席測驗」）。有「找不到就說沒有提及」的提示會老實拒答；拿掉這句，你會看到編得很好的答案——那就是通用 AI 在閉卷狀態下的本能。更完整寫法見 RAG 的引用式提示。

容易走歪的地方

• 走歪：在通用聊天工具問「我們學校功課政策是甚麼」，然後抱怨 AI 不可信。 自查：這條問題是否應在有知識庫的平台提出？若沒有檔案櫃，得到的只能是 plausible 的編造。

• 走歪：上傳幾十份掃描 PDF 後期待立刻完美，卻從不維護版本與標題。 自查：文件是否有清晰章節標題？含糊舊版與新版混在同一資料夾，檢索出來也會含糊。

• 走歪：有來源標註仍不核對，當作自動背書。 自查：隨機抽三條 AI 答案，能否在三十秒內打開原文對上？若對不上，問題可能在切段或檢索，而非「再換一個更聰明的模型」。

動手做一次

時間：約 15 分鐘。材料：任何 AI 工具；一段真實校本文字（可選《功課政策》一節、家長信範本、或科組評分準則，約 300–500 字，勿含學生個人資料）。

做甚麼：

1. 把文字切成三段，手動加 [段落 1] [段落 2] [段落 3] 標號。
2. 貼入上方接地提示，問題選一段文中有答案的（例如遲交扣分）。
3. 再問一條文中沒有答案的問題，比較 AI 是否老實說「沒有提及」。

交出甚麼：兩組問答，每組注明 AI 是否附上段落編號、你是否能在原文找到對應句。

怎樣算做對：你能向同事說明 RAG 與「訓練模型」的分別，並示範「有出處才可覆核」——以及缺少禁區時 AI 如何自動補完空白。

下一課：Chunking、檢索重排與迷失在中間。上一課：一課讀懂 Prompt 工程。