案例07｜Contextual Retrieval：Chunking、Embedding、Hugging Face 與 Pinecone

一、案例定位

本案例依原書 11.4 架構說明整理。

聚焦 RAG 的 Retrieval Pipeline。

二、學習目標

理解 Document Chunking、Vector Embedding、Vector Database 的順序。
正確解讀 Hugging Face／Pinecone 在原書中的定位。
連結 Structured／Unstructured Data 與 Retrieval。

三、案例情境

原書描述：FDA Guideline、Clinical Trial、Patent 等文件進入 Contextual Information Retrieval 後，被切成 Searchable Chunks，再轉成 Vector Embeddings，並儲存在 Vector Database 供 Query Retrieval 使用。

四、開始資料

Step	原書描述	教學重點
1. Source	FDA guidelines、clinical trials、patents	External evidence source
2. Segmentation	Documents segmented into searchable chunks	建立 retrieval unit
3. Embedding	Converted into vector embeddings	支援 semantic retrieval
4. Embedding example	Models like Hugging Face	原書示例，不是唯一技術
5. Vector DB example	Pinecone	原書示例，不是唯一技術
6. Retrieval use	Relevant context supplied to chatbot	讓回答 grounded in current data

五、分析方法

可用 Source → Chunk ID → Embedding Version → Retrieval Score → Answer Citation／Evidence 設計 Traceability 欄位。

六、計算結果

原書沒有提供 Chunk Size、Embedding Dimension、Top-k 或 Similarity Threshold，因此不補設定值。

七、結果分析與管理解讀

RAG 可否改善 factual grounding，取決於 Source Freshness、Chunk Quality、Embedding／Retrieval Quality，而不只是 LLM 本身。

八、AI 提問詞

請依原書列出 RAG retrieval pipeline，並標示哪些 implementation parameter 原書沒有提供；不得自行設定 chunk size、top-k 或 threshold。