案例02｜為什麼使用 RAG：Dynamic Retrieval 對比 Static Pre-trained Knowledge

一、案例定位

本案例依原書 11.1–11.2 整理。

比較傳統／獨立生成模型與 Retrieval-Augmented Generation（RAG）的資訊機制。

二、學習目標

理解 RAG 結合 Information Retrieval 與 Large Language Model（LLM）Reasoning。
說明為何 Pharmaceutical Supply Chain 需要即時資訊。
區分 Contextual Grounding 與模型本身已知知識。

三、案例情境

原書指出傳統 AI／ML 可支援 Forecasting、Prediction、Optimization，但往往依賴 Static、Pre-trained Dataset；獨立使用 GenAI 又可能缺乏 Factual Grounding。RAG 在生成前動態擷取 External Document／Database，以提供即時、Evidence-supported Context。

四、開始資料

方法	主要資訊來源	原書指出的限制／優勢
Traditional AI／ML	Static／historical dataset	對頻繁 Regulatory Update／Supplier Disruption 適應有限
Standalone GenAI	Pre-trained knowledge	可能缺乏 factual grounding
RAG	External documents／databases + LLM reasoning	Dynamic、context-specific、evidence-supported

五、分析方法

把每一個 Use Case 分成 Question → Needed Current Evidence → Retrieval Source → LLM Synthesis → Human／System Action。

六、計算結果

無數值計算；本案例是架構比較。

七、結果分析與管理解讀

高風險產業的關鍵不是讓 LLM「記更多」，而是讓生成結果能接觸當下的 Regulatory、Supplier、Inventory、Clinical Evidence。

八、AI 提問詞

請用 pharmaceutical supply chain 的例子比較 standalone LLM 與 RAG；說明每個答案需要從哪些外部資料源取得 grounding。