在本課程中，我們將學習如何針對 Retrieval-Augmented Generation (或 RAG) 最佳化檔案和資料。

在本課程結束時，您將可以採取可行的步驟來改善LLM 在使用自訂知識來源時所產生的回覆品質。

RAG 結合了兩個強大的概念：擷取與產生。它允許您的人工智能代理從大量資料來源（如產品目錄或保單清單）中擷取精確的資訊，然後使用語言模型產生自然、資訊豐富的回覆。這意味著代理程式不僅能提供答案，還能從可信賴的來源提供正確的答案，既快速又準確。

但問題是：您的經紀人回覆的品質在很大程度上取決於您提供給他們的資料的品質和結構。如果輸入的資料雜亂、冗餘或沒有結構，您的客服代表的回答也會反映出這一點。這就是資料預先處理的關鍵所在。只要仔細準備資料，就能為高品質、有意義且精確的回應奠定基礎。

在本系列中，我們將引導您瞭解為 RAG 準備好檔案和資料所需的一切資訊。我們將涵蓋

• 如何使您的文件結構清晰、
• 清理和簡化文字的最佳做法、
• 加入元資料和摘要以提供更豐富的內容、
• 優化非文字資料，例如圖片和表格、
• 資料驗證及維護。

每段視訊都會以實例分解這些步驟，讓您獲得可直接應用於您的 AI 專案的實用見解。在本系列結束時，您將擁有各種工具來處理任何資料集、為 RAG 進行轉換，以及優化您的 AI 代理的效能。