閱讀順序先接模型只能處理 token，怎麼用工具讀取文件？：那章先拆模型提出要求、程式執行與工具結果回傳。本章再放大「從很多文件中，怎麼選出可能有用的段落」。檢索可以由程式先執行，也可以包成模型可呼叫的工具。

你問 AI：「我們公司的帳號忘記密碼，要怎麼辦？」

但回答用的模型 (Model) 沒有看過公司的內部說明。只收到這句問題，它頂多提供常見做法，不能據此確定你公司的規定。

那要怎麼讓模型取得公司的資料，再根據資料回答？

關鍵是：程式先從公司提供的文件裡找資料，再把「你的問題＋找到的原文」一起送給模型。 先看這整件事怎麼發生，再拆中間的找資料步驟。

先看模型最後收到什麼

假設公司已把內部文件交給這套問答系統，其中《帳號說明》有這一段：

到設定頁點「忘記密碼」，重設連結會寄到帳號信箱。

程式找到這段後，可以把送給模型的內容組成下面這樣：

問題： 我們公司的帳號忘記密碼，要怎麼辦？

參考文件：《帳號說明》 到設定頁點「忘記密碼」，重設連結會寄到帳號信箱。

回答要求： 請根據參考文件回答；文件沒有說的事，請明說資料不足。

這時，模型在這次收到的文字裡，就看得到公司的操作步驟。它可以據此整理出這樣的回答：

依《帳號說明》，先到設定頁點「忘記密碼」，再到帳號信箱收取重設連結。

所以，資料進入回答的途徑是「放進這次的輸入」。這個做法不需要為了加入這段文件，就重新訓練 (Training) 回答模型。模型有沒有照著文件寫對，仍然需要核對。

文件從哪裡來？誰在找？

公司要先提供可查詢的文件，例如匯入內部說明，或讓程式連接存放文件的地方。模型不會只因為有人問「我們公司的規定」，就自動取得這些內容。

在這個例子裡，工作分成兩步：

如果只有一小段說明，直接把它與問題一起提供就可以。文件有幾千頁時，一次能提供的文字有限，也沒有必要把不相關的休假規定、報帳辦法都交給模型。這才需要先找出可能有用的幾段。

從文件中找出候選內容，叫做檢索 (Retrieval)。 接下來只放大圖裡「找資料」的部分。

怎麼找到《帳號說明》那一段？

最直接的起點是關鍵字搜尋 (Keyword Search)：在文件中查「密碼」。但找到有這個詞的段落，還不表示找到了答案。

問題還是「我們公司的帳號忘記密碼，要怎麼辦？」。看看這幾段的差別：

A 最直接。B 用詞不同，也值得查看。C、D 看起來跟帳號或密碼有關，卻未必能解決這次的問題。我們希望程式除了看用詞，也能比較問題與段落在談的事情是否接近。

怎麼把「意思接近」變成可以計算的比較？

前面學過向量 (Vector)，就是一串數字。這裡可以使用一個已經訓練好的嵌入模型 (Embedding Model)：把一整句或一整段文字交給它，它會算出代表那段內容的一串數字。

它在訓練時，例如會練習把相關的文字配對與其他文字區分開。學出的數字表示，才可能讓「忘記密碼」和「恢復帳號」這類用詞不同的內容，在比較時得到較接近的結果。這是學出的能力，仍可能判斷不好。

它不用先背下公司的文件。 公司現在提供一段新文字，它就對這段文字做計算，產生表示；規定的內容仍來自公司交出的原文。

放回剛才的例子，程式會做三件事：

1. 替文件準備表示： 把 A、B、C、D 分別交給嵌入模型，每段得到自己的一串數字，與原文一起保存。
2. 替問題準備表示： 收到「忘記密碼怎麼辦」時，也把問題交給相容的嵌入模型，得到問題的那串數字。
3. 比較並取回原文： 用問題的數字，分別與 A、B、C、D 的數字比較；依分數排列，取出靠前段落的原文。

這種用文字表示來找意思相關內容的方法，叫做語意搜尋 (Semantic Search)。兩份表示的比較結果叫做相似度 (Similarity)。數字負責幫程式選段落，真正交給回答模型參考的，仍是段落原文。

這裡有兩種模型的分工：嵌入模型把文字變成可比較的數字；回答模型收到找到的文字，再生成回答。兩種能力可以由不同模型負責。

最後還要決定：取回幾段？

開啟工具，選「看示範情境」，保留預設的 FAQ 情境。問題是「how do I reset my password」，也就是「怎麼重設密碼？」。排名依序是 A、B、C、D。

「只取前 k 段」稱為 top-k。k = 1 會只取 A；k = 3 會取 A、B、C。改的是拿幾段，沒有改問題、文件或它們的相似度。

把 top-k 從 3 改成 1，再改回 3，看看哪些原文進入取回範圍。這些就是後續程式可以放進回答模型輸入的候選資料；本工具只做到找資料，沒有生成回答。

多找幾段，回答就會更好嗎？

回到 k = 3，C 也進來了。但 C 只談新裝置登入時的確認步驟，沒有重設密碼的答案。多拿一段不相關文字，不會自動讓回答更可靠。

工具中 A 的示範相似度是 0.92。它表示這組向量比較得到的分數，不是「答案有 92% 的機率正確」。過期文件也可能很像問題；所有文件都沒答案時，也仍會有第一名。

所以要分開核對：找資料時，有沒有找到能回答問題的原文？生成回答後，有沒有忠實使用原文？ 這接回前面的可靠度問題。

回頭看一開始的問題：模型沒看過公司的資料，也可以在回答當下收到找到的原文，再據此生成回答。 把「先找資料」接上「依資料生成回答」，就是檢索增強生成 (Retrieval-Augmented Generation, RAG) 的基本思路。

這裡先理解問題、文件、找資料程式與回答模型如何接起來。文件要怎麼整理、更新、標示來源，以及怎麼檢查整個系統，後續再繼續拆解。

參考：Microsoft 的文件檢索與回答流程說明、Sentence Transformers 的語意搜尋說明、all-MiniLM-L6-v2 的表示與訓練方式。查核日期：2026-10-09。文字配對的訓練方式以此模型為例；公司情境與工具向量是教材示意，不是實測。