本案例處理檢索增強生成（Retrieval-Augmented Generation, RAG）系統的資料新鮮度、變更偵測與增量更新。
本案例依原書第 8 章的最佳實務、範例或情境重組，並非原書正式案例研究。
原書建議自動化來源系統的擷取與索引，可使用自訂排程器或 Azure Data Factory，依商業重要性安排每小時或每日的 CRON 工作。來源文件以時間戳記與內容檢查碼（Checksum）偵測變更，只對新增或已變更檔案重新計算 Embedding；向量資料庫可使用 Azure AI Search 的 delta vector update，避免完整重建索引。另應保留文件版本紀錄、停用或刪除舊 Embedding、以 Metadata 過濾有效資訊，且底層內容變更時同步清除或刷新快取。
| 更新環節 | 原書做法 |
|---|---|
| 資料擷取／索引 | 自動排程；依重要性每小時或每日 |
| 變更偵測 | 時間戳記＋Checksum |
| Embedding | 只重算新增或變更檔案 |
| 向量索引 | Delta update，避免完整重建 |
| 文件版本 | 保留紀錄並處理舊 Embedding |
| 快取 | 底層內容變更時清除或刷新 |
建立「文件、時間戳記、Checksum、版本、Embedding 狀態、快取狀態」表，AI 可協助找出來源已變更但向量或快取尚未更新的紀錄。
原書僅舉出每小時或每日排程作為依商業重要性選擇的例子，沒有提供固定更新頻率或成效數據，因此不補造結果。
若底層知識更新但向量索引與快取未同步，系統仍可能檢索舊資訊。原書因此把變更偵測、版本管理與快取刷新串成一套新鮮度控制流程。
請比較來源文件的時間戳記／Checksum、向量版本與快取狀態，找出來源已變更但尚未重新 Embedding、更新索引或刷新快取的項目。