RAG Roadmap

├── 階段 1：基礎知識
│   ├── * RAG 概念與原理
│   │   ├── 什麼是 RAG？
│   │   ├── RAG 的優勢與應用場景：減少幻覺、提高準確性、知識更新
│   │   └── RAG 的基本流程
│   ├── * 自然語言處理 (NLP) 基礎
│   │   ├── 詞嵌入 (Word Embeddings)
│   │   ├── Transformer 模型
│   │   └── 大型語言模型 (LLM)
│   └── * 向量數據庫基礎
│       ├── 向量表示：將文本轉換為向量
│       ├── 向量索引：常見的索引類型 (HNSW, ...)
│       └── 向量相似度計算：Cosine Similarity, Euclidean Distance
│
└── 階段 2：核心技術
    ├── * 兩大檢索
    │   ├── Dense Retriever
    │   └── Sparse Retriever(TF-IDF, BM25)
    ├── * 文檔加載與預處理
    │   ├── 加載不同來源的文檔：PDF, TXT, CSV, Web Pages, Databases
    │   └── 文檔清洗：去除噪聲、HTML 標籤等
    ├── * 文檔分割 (Chunking)
    │   └── 固定大小分割：Embedding size
    ├── * 向量化 (Embedding)
    │   ├── 使用預訓練模型
    │   └── FineTune Embedding 模型
    ├── * 向量數據庫
    │   ├── FAISS
    │   └── Milvus DB, PGVector, ...
    ├── * RAG 優化
    │   ├── Re-ranking
    │   ├── Query Expansion
    │   └── Fine-tuning LLM
    └── * 生成策略
        ├── Prompt Engineering
        └── 生成參數調整：Temperature, Top-p, ...