RAG打造企業AI知識庫:把一甲子功力傳給新人

開發團隊需要將經驗與知識,透過文件化的方式保存下來,以便未來查詢與學習。然而,企業內部文件往往分散於 Confluence、Google Drive、Notion 等平台,傳統關鍵字搜尋難以快速獲取準確資訊,導致溝通成本高、開發流程受阻。又或是,當開發團隊需要查詢特定知識時,往往需要透過 Slack、Email 等方式詢問同事,這樣的溝通成本不僅浪費時間,也容易造成資訊不對稱。

學員將學會如何利用 RAG 技術,結合 OpenAI、LangChain、Qdrant 向量數據庫,構建企業內部文檔的智能知識庫,並能設計與實作一個基於自然語言處理(NLP)的查詢系統,來提升開發團隊的效率與知識管理能力。

- 什麼是 RAG?

  • 介紹 RAG(Retrieval-Augmented Generation)技術如何結合檢索與生成提升問答準確性。
  • 為什麼企業需要智能知識庫?
  • RAG 的應用場景:知識庫建立、開發支援、技術決策等。

- Python 與 OpenAI:

  • 使用 OpenAI API 架構與語言模型,快速構建生成模型

- LangChain:介紹 LangChain 框架如何簡化 RAG 實現

- 如何利用 LangChain 整合多種數據源與生成模型

- Qdrant 向量數據庫:

  • 向量數據庫的概念與作用
  • 如何利用 Qdrant 儲存與檢索內部文檔的嵌入向量

- 構建 RAG 系統:實作步驟與演示

  • 數據預處理與文檔轉換
  • 將處理後的文本轉換為向量表示(embedding)
  • 利用 Qdrant 向量數據庫儲存這些嵌入並執行檢索

- 使用 LangChain 結合 OpenAI 模型與 Qdrant,製作自動化問答系統

課程目標

工作坊結束後,學員將能夠:

  • 理解並實作 RAG 技術,將內部文檔轉化為智能知識庫
  • 使用 Python、LangChain 和 OpenAI 構建基於檢索的問答系統
  • 利用 Qdrant 向量數據庫進行高效檢索,提升開發流程中的知識管理效率。
  • 這樣的工作坊結構能夠平衡理論與實踐,並為學員提供實際動手操作的機會。
學員自備裝置

本次工作坊會提供參與者一個簡單的環境,讓參與者可以透過遠端操作來實作基本 RAG AI Agent。參與者必備個人筆電,透過 SSH 操控遠端機器。

學員基礎能力需求

必備知識:Linux 操作基本知識,Docker 操作基本知識,會使用 SSH 連線 / Bash / docker。

張哲嘉 (Che Chia Chang)

講者

張哲嘉 (Che Chia Chang)

MaiCoin SRE
LEVEL

中階

LANGUAGE

中文

TAGS
AIOps (智慧維運)
適合聽眾
DevOps 老司機 (DevOps Veteran)