Augmented
What？
Augmented 是什麼？
Augmented 是一種結合多種技術來增強資料處理與資訊檢索能力的架構方式，特別適合在大型語言模型（LLM）無法直接回答複雜問題或需要即時外部知識時使用。核心概念通常包含 Retriever、Embedding、Vector DB和 Retrieval-Augmented Generation（Retriever-Augmented Generation），讓系統能更準確地處理語意搜尋並生成相關內容。
舉例來說，若用戶詢問「公司去年 Q3 的銷售報告內容是什麼？」傳統 LLM 無法基於最新的內部文件進行準確回答，而 Augmented 架構可以輔助 LLM 從內部文件中提取相關資訊並生成答案。
Who？
誰使用、誰受影響？
這套架構主要由技術工程師、資料科學家和產品經理導入，用於增強應用的智慧型檢索功能。企業中的客服系統開發者、知識管理平台設計者，以及任何需要快速從大量非結構化資料中抽取有價值資訊的團隊，都可能使用 Augmented 架構。
例如，當某家電商公司希望透過智能客服解決客戶問題，但又不希望僅限於靜態 FAQ，而是能動態從產品手冊或客戶回饋中提取答案時，就會需要這類架構。
When？
什麼時間點會用到？
Augmented 架構通常在以下情境中被使用：
- 需要精準語意搜尋： 當用戶問題不完全基於關鍵字，而包含上下文或模糊語意，例如「最近我買的手機能支援哪些充電器？」
- 需整合外部知識來源： 若 LLM 的訓練資料不足以提供最新資訊，例如查詢公司內部政策或文件。
- 深層內容生成需求： 在需要同時結合搜索與生成能力，例如自動撰寫報告或回答技術性問題。
Where？
出現在架構哪個部分？
Augmented 通常運作於應用層和資料層之間，由以下幾個核心元件組成：
- LLM 或其他生成模型： 用於將 Retriever 提供的資訊進一步加工成自然語言答案。
Why？
解決什麼問題？
Augmented 最主要目的是提高系統對模糊且複雜問題的回應能力，同時讓 LLM 能利用外部知識庫補足其不足。例如：
- 解決傳統關鍵字搜尋過於依賴匹配詞而缺乏語意理解的痛點。
- 為 LLM 提供即時更新的外部資訊來源，避免因訓練時間點不同而產生落後結果。
- 減少大量人工整理或預處理文件所需成本。
延伸到實務應用，它可以有效提升客服回覆效率、商業報告生成質量，以及企業內部知識檢索速度。
補充說明
🧠 延伸／常見誤解
- Generator ≠ Augmented:
Augmented 著重在結合搜尋與生成，Generator 則僅專注在文本生成功能，因此兩者角色不同。