本案例涉及人工智慧（Artificial Intelligence, AI）。本頁使用智慧資料流探索器（Intelligent Data Flow Explorer, IDFE）與結構化查詢語言（Structured Query Language, SQL）。分析 IDFE 面對規模、檢索速度、記憶體與成本的嵌入取捨。
本案例依原書第 5 章的框架、範例或情境重組，並非原書正式案例研究。
原書資料集接近 30,000 個 SQL 與 Oracle 物件，包含預存程序、函數、檢視表、觸發程序及套件。text-embedding-3-large 的預設維度為 3072，方案限制為 256。原書認為程式碼任務較重視語法與邏輯，降低維度可加快相似度計算、減少記憶體與儲存負擔，並降低高維雜訊。
| 項目 | 原書數字／描述 |
|---|---|
| 資料規模 | 接近 30,000 個物件 |
| 預設嵌入維度 | 3072 |
| 方案嵌入維度 | 256 |
| 原書主張 | 提升檢索速度、降低記憶體與儲存成本、減少不必要雜訊 |
| 限制 | 原書未提供縮減前後的實測速度、成本或準確率 |
在 Excel 記錄不同維度下的索引大小、延遲、召回率、準確率與成本；若無實驗數據，只能保留為待驗證主張。
依原書數字重新計算：維度減少 2816，縮減比例為 2816 ÷ 3072 ≈ 91.67%；256 為 3072 的約 8.33%。
維度縮減幅度很大，但原書沒有提供對照實驗，因此不能由理論理由推定準確率沒有明顯損失。
請依我提供的維度實驗表比較延遲、成本與準確率；若沒有實測資料，不得宣稱 256 維優於 3072 維。