從零手刻六種 RAG 架構，不依賴 LangChain / LlamaIndex 等框架。 示範文件：Subaru BRZ 台灣市場車型冊（繁體中文 PDF，11 頁）。
語言 Python 3.8+
推理 Ollama（本地，無需 API Key）
├── nomic-embed-text Embedding，768 維，274 MB
└── gemma4:e4b 文字生成 + Vision，9.6 GB
向量庫 numpy（純手刻，無 FAISS / ChromaDB）
PDF PyMuPDF（pymupdf==1.23.8）
六個資料夾各自獨立，但共用 01_naive_rag/index/ 做為基礎向量索引：
01_naive_rag ← 起點：最小可用 RAG
│
├── 02_advanced_rag 提升取回精度（HyDE、Query Rewriting、Re-ranking）
├── 03_graph_rag 知識圖譜 + 多跳推理
├── 04_multimodal_rag Vision LLM 解讀 PDF 圖表
├── 05_agentic_rag ReAct 自主決策搜尋
└── 06_rag_fusion 多查詢 + Reciprocal Rank Fusion
| # | 方案 | 核心技術 | 解決的問題 |
|---|---|---|---|
| 01 | Naive RAG | Cosine Similarity Top-K | 建立基線，理解完整管線 |
| 02 | Advanced RAG | HyDE、Query Rewriting、LLM Re-ranking | 查詢措辭與文件不匹配 |
| 03 | Graph RAG | 三元組抽取、BFS 圖遍歷 | 多實體關係、多跳推理 |
| 04 | Multimodal RAG | Vision LLM 描述圖片 | PDF 圖表/配備表資訊遺失 |
| 05 | Agentic RAG | ReAct（思考→工具→觀察） | 複雜多步問題、動態搜尋 |
| 06 | RAG Fusion | 多子查詢 + RRF 排名融合 | 召回率低、單一視角查詢 |
PDF → PyMuPDF 文字提取 → Chunking（500字/50重疊）
→ nomic-embed-text → numpy 向量存儲
→ 查詢時餘弦相似度 Top-K → gemma4 生成回答
先讓 LLM 生成一個假設答案，用假設答案的向量去搜尋。 假設答案的措辭比問題更接近文件本身的表達方式。
LLM 將一個問題改寫成 N 個不同角度的子查詢，擴大搜尋覆蓋面。
向量搜尋取回更多候選（12個），再讓 LLM 逐一打分（0–10）， 依分數重排後取 Top-K，精度高於純向量相似度。
從文件抽取 (主體, 關係, 客體) 三元組建圖，
查詢時先找種子節點，再 BFS 展開，擷取相關子圖送入 LLM。
用 PyMuPDF 提取 PDF 每頁圖片，送給 gemma4 Vision 生成文字描述， 描述文字再 embed 存入索引，讓圖表資訊也能被向量搜尋命中。
LLM 自主決定每一步行動：
思考 → 工具（search / lookup / finish）→ 觀察結果 → 再思考
最多 6 步，比固定管線更靈活。
生成 N 個子查詢 → 各自搜尋 → Reciprocal Rank Fusion 合併排名：
RRF(d) = Σ 1 / (60 + rank_i(d))
# 前置：確認 Ollama 模型已下載
ollama pull nomic-embed-text
ollama pull gemma4:e4b
# 安裝依賴（所有方案共用）
python -m pip install pymupdf==1.23.8 numpy
# Step 1：建立向量索引（只需執行一次，02/05/06 會共用）
cd 01_naive_rag
python rag.py ingest ../brz_tw.pdf
# Step 2：跑任意方案
python rag.py chat -q "BRZ 的引擎馬力是多少？"
cd ../02_advanced_rag
python advanced_rag.py chat -q "BRZ 的引擎規格？" --hyde
cd ../05_agentic_rag
python agentic_rag.py chat -q "BRZ 跟 GR86 有什麼差異？" --verbose
cd ../06_rag_fusion
python rag_fusion.py chat -q "BRZ 的安全配備？" --show-queries| 資源 | 路徑 | 說明 |
|---|---|---|
| 來源文件 | brz_tw.pdf |
所有方案共用的 PDF |
| 基礎索引 | 01_naive_rag/index/ |
02、05、06 預設讀取此索引 |
| Graph 索引 | 03_graph_rag/index/ |
含知識圖譜 graph.json |
| 圖片索引 | 04_multimodal_rag/index/ |
含 Vision 描述的 chunks |
-
PDF 文字層薄：車型冊大量使用圖表排版，文字層只有規格數字和少量段落。 純文字 RAG 只能命中馬力、排氣量等明確數值，顏色、配備表等均失效。
-
gemma4 Re-ranking 精度有限：以 0–10 分評分中文 chunk 時，結果不穩定。 生產環境建議換用 Cross-Encoder 模型（如
BAAI/bge-reranker）。 -
圖形資訊需 04 Multimodal RAG：EyeSight 功能說明、輪胎規格等在圖片中， 只有 04 方案能正確取回這類資訊。