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

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。

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。

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。