RAG 與 Memory
「Agent 怎麼查文件、保存與取回重要資訊？」
完成後你能：建立最小 RAG、long-term memory 與 contextual retrieval 流程。
📌 學習目標
- 用一句話說出 RAG 與 Memory 的差別。
- 看懂資料如何變成 Chunk、Embedding，再被找回來。
- 做出一條最小 RAG 流水線，並讓回答附上來源。
- 知道什麼資料值得記住，什麼資料不該保存。
- 用小型測試比較兩個做法，不靠「感覺比較好」。
進入條件
完成 Stage 3 的工具迴圈與 Stage 4 任一條路線；能跑 Python 並安裝套件。
🧭 本站課程
按建議順序讀；勾選結果與 /learn 課程頁共用同一份瀏覽器進度。- 01RAG 深入原理與實踐：從 Chunking 到 Rerank 的完整指南
檢索增強生成 (RAG) 的完整技術棧：Embedding 選擇、Chunking 策略、向量數據庫對比、Rerank 優化，附帶實際代碼示例。
11 分鐘 - 02三引擎搜索策略：DuckDuckGo + Tavily + Brave 互補配置指南
三種搜索引擎在 Agent 框架中的角色分工、場景選擇、成本對比。DuckDuckGo 免費快速、Tavily AI 摘要、Brave 新聞社群全覆蓋。
9 分鐘 - 03
- 04跨渠道記憶中樞（Memory Hub）：OpenClaw Agent 的記憶系統架構設計全紀錄
從「每日遺忘」到「跨渠道自動整合」：完整記錄本站 AI 助理記憶系統的架構演進、Session 隔離問題、時區邊界 Bug、三層防護機制，以及 Cron 自動化整合管線。
19 分鐘 - 05MemoryHub 實戰安裝與使用完全指南：從零到四平台自動記憶捕獲
手把手教你安裝 MemoryHub v2.0：從 Docker 環境準備、pip 一鍵安裝、四平台 MCP 配置、Dashboard 使用技巧，到日常維護與故障排查的完整流程。
20 分鐘 - 06Agent 記憶系統全景圖：2026 年五大方案深度對比
記憶是 Agent 的第一性問題——沒有記憶的 Agent 只是高級 chatbot。本文對比 agentmemory / PlugMem / Infini-Memory / verifiable-memory / Qdrant+MemoryHub 五種方案，提供場景選擇矩陣。
6 分鐘 - 07AI 記憶調用的工程學：四路存取路徑 × 十大場景全矩陣實測報告
當 AI 助理需要「記住一切」，它用什麼方式調用記憶？文件直讀、Qdrant 向量搜索、MemoryHub 捕獲管線、agentmemory 語義索引 — 四條路徑在十種真實場景下的實戰對比，揭露每條路徑的邊界與甜蜜點。
27 分鐘 - 08Vector Memory 深度剖析：一套讓 AI Agent 再也不失憶的生產級記憶系統
狀態失憶是 Agent 生產環境的 #1 殺手。我們建了一套基於 Qdrant + BGE-m3 的四層向量記憶系統，9 種檢索模式，6,675 條記憶實戰驗證，中文搜尋精確度從 0% 拉到 >78%。一行 curl | bash，100% 本地部署，數據主權在你手中。
25 分鐘
📚 必修閱讀
- 1.LangChain Retrieval（components）⭐⭐⭐⭐⭐看 loader、splitter、embedding、vector store 與 retriever 怎麼合作。
- 2.LlamaIndex Concepts⭐⭐⭐⭐⭐用文件導向的方式理解 indexing 與 querying。
- 3.Chroma Getting Started⭐⭐⭐⭐看本地 vector database 的最小使用方式。
🎯 精選資源
| 資源 | 適合誰 | 推薦度 | 為什麼推薦 |
|---|---|---|---|
RAG 框架 run-llama/llama_index | 文件型應用初學者 | ⭐⭐⭐⭐⭐ | Index、retriever、query engine；套件多，先用官方 starter。 |
RAG 框架 deepset-ai/haystack | 想比較模組化 pipeline | ⭐⭐⭐⭐ | components、pipelines、routing；Apache-2.0，先選一套 framework 練習。 |
RAG 框架 infiniflow/ragflow | 想看完整 Web 產品的團隊 | ⭐⭐⭐⭐ | 文件解析、retrieval、UI；部署比教學範例重。 |
向量資料庫 chroma-core/chroma | 第一次在本機做向量搜尋 | ⭐⭐⭐⭐⭐ | collection、add、query；練習與 production 設定不同。 |
向量資料庫 qdrant/qdrant | 需要自架或託管服務的團隊 | ⭐⭐⭐⭐⭐ | dense、sparse、hybrid query；需規劃服務與備份。 |
向量資料庫 weaviate/weaviate | 需要 schema 與 hybrid search | ⭐⭐⭐⭐ | BM25 + vector search；BSD-3-Clause，先做小型基線。 |
向量資料庫 pgvector/pgvector | 已使用 PostgreSQL 的團隊 | ⭐⭐⭐⭐ | SQL 與 vector 同庫；仍需索引與查詢調校。 |
評測與完整產品 vibrantlabsai/ragas | 要建立可重跑 eval 的團隊 | ⭐⭐⭐⭐⭐ | datasets、metrics、experiments；metric 仍需人工校準。 |
評測與完整產品 onyx-dot-app/onyx | 想讀完整 AI assistant 架構 | ⭐⭐⭐⭐ | ingest、retrieval、chat、admin；完整產品很大，當架構參考不當 starter。 |
進階閱讀 LangGraph — Agentic RAG | 完成基礎 RAG 之後 | ⭐⭐⭐⭐ | 看 agent 如何決定要不要查資料、改寫問題或再找一次。 |
🛠 動手練習（官方版）
完整練習與 starter code練習摘要取自上游教材；完整程式碼、成本與延遲估算見官方版。
- 練習 1：把兩句話變成 Embedding — 看見意思相近的句子在向量空間裡更靠近。
- 練習 2：把 Embedding 放進 Vector Database — 放進 Chroma，再用一句問題找回相關片段。
- 練習 3：比較三種 Chunking 方法 — 看切得太大、太小或重疊太多各自發生什麼事；先看文件結構與測試結果，不要背標準大小。
- 練習 4：串起完整 RAG — 先找資料再回答，並顯示使用了哪些來源片段。
- 練習 5：記住一項偏好 — 只保存必要且獲准的資料，提供查看、修改與刪除的方法。
- 推薦小專案：會翻資料也會記偏好的助理 — 找不到證據時說不知道；重啟後仍讀得回偏好；你可以刪掉這項記憶。
✅ 自我檢查
- 我能說出 Retrieval、RAG 與 Memory 各自做什麼。
- 我能解釋 chunk、embedding 與 vector database 怎麼接起來。
- 我的 RAG 回答會顯示來源，找不到證據時會說不知道。
- 我能用一小組問題比較修改前後，而不是只看一次漂亮回答。
- Memory 只保存必要且獲准的資料，使用者能查看、修改與刪除。
本站點改編自 awesome-agentic-ai-zh（MIT 授權，作者 Wenyu Chiou）v2026.09.23，資源連結查核日 2026-08-27。星級為學習優先順序（⭐⭐⭐⭐⭐＝不看會卡住），非人氣排名。 MIT License · 課程結構最後更新：2026-10-03。內容持續補齊中，標記「撰寫中」的課程尚未上線。