AI幫你問-延伸閱讀（使用RAG）

▍1. 專案目的/範疇

要解決的問題與為何必須使用 AI

</aside>

面臨挑戰： 在鉅亨網的主觀認知與客觀數據中，我們面臨「新聞長尾點擊低迷」以及「假日流量明顯下滑」的雙重瓶頸。
深挖痛點（人性洞察）： 經過用戶訪談與數據下探，我發現使用者的痛點並非「資訊不夠」，而是面對龐雜財經資訊時產生了**「資訊焦慮」**。
為何必須使用 AI：
- 突破傳統演算法極限： 傳統推薦演算法只會「推更多資料」，反而加重焦慮。
- 化解「逃與僵」的心理抗拒： 人是需要被引導的。若單純給一個「空白的 AI 對話框」或海量資料，只會激起使用者的防衛心理；我們必須利用 AI 的生成能力，主動拋出「勾起興趣的問題」來誘發好奇心。
- 動態解讀： 只有 AI（LLM）能針對當下複雜的投資情境，給出即時、具邏輯性的快速解讀，將單向的「閱讀」轉化為雙向的「探索」。

▍2. AI Feature 設計

用戶旅程與個人化體驗

</aside>

從用戶視角出發，這不是一個冷冰冰的搜尋工具，而是一位「懂你的投資助教」。

無縫介入的引導體驗： 當用戶閱讀完一篇新聞（資訊A）後，AI 會主動提供該新聞的核心摘要，並在下方**「主動拋出」**延伸提問，降低用戶自己想問題的認知負擔。
分眾個人化生成（C1/C2 雙軌設計）： AI 會針對同一篇新聞，動態產出兩種不同深度的視角與提問：
- 給小白（新手）的 C1 路線： 生成白話的基礎論點與入門提問（例如：「這對台股大盤有什麼影響？」），點擊後引導至基礎科普文章（D1）。
- 給老手（進階）的 C2 路線： 生成深度的產業論點與進階提問（例如：「供應鏈上下游的毛利變化為何？」），點擊後引導至深度分析文章（D2）。
行為驅動： 透過這種「預判你的疑惑並幫你提問」的設計，成功利用好奇心概率性地驅動用戶點擊，形成不斷向下探索的閱讀迴圈。

▍3. 資料與技術選擇

資料應用與架構迭代

</aside>

財經領域對資訊的準確度要求極高，我們必須解決 LLM 幻覺與資訊滯後的問題。專案使用了站內的非結構化資料（新聞標題、內文）與結構化資料（主題標籤、時間），並經歷了架構演進與務實的技術決策：

初版架構 (V1 純向量檢索) 的限制： 初期採「萬物皆 Embedding」，將所有資訊串接轉為向量進行純語意搜尋。但在測試中發現，複雜財經情境下易產生「領域偏差」（例如：查台積電卻混入不相干的半導體雜訊）。
迭代架構 (V2 混合檢索 Hybrid Search) 的決斷： 我認知到資料本質的差異，將架構重構。把「主題標籤」抽離出來作為 Routing / 條件過濾 (Metadata Filtering)；「標題與內文」才做向量化。
- 運作邏輯： 系統先用標籤「精確濾除」不相干資料，再從剩餘資料庫中進行語意檢索。
- 技術適用性判斷： 這種混合檢索確保了結果 100% 命中指定領域，同時保有高度語意關聯性；此外，更在第一線導入 Semantic Cache（快取攔截），遇到高度相似歷史查詢直接回傳，大幅降低了 API 呼叫的延遲與成本。
務實的 Embedding 選型與「做減法」的架構審視： 在評估 Embedding 模型時，我聚焦商業落地效益，僅定義**「語意精準度、維度成本、API 延遲」三個核心指標，確立邊界後即充分授權 RD 進行選型。因財經新聞多為同質性高的字詞比對，實測結果在體感上已高度符合預期，故決策不過度深究底層參數。同時，我重新審視了資料集的本質，發現單篇新聞內容長度完全落在模型 Context Window 內，不足以多到需要切塊，因此果斷決策「省去 Chunking 流程」**。這個做減法的決策不僅大幅縮短開發時程，更有效降低了系統運算的複雜度。

▍4. 過程中如何解決專案跨部門衝突

資源、成本與信任挑戰

</aside>