Mohuhu開發團隊
我們是一群來自金融、法律、零售、科技工程的開發者，因共同進修 AI 數據學習而集結。
這份跨領域的交會，催生了我們打造「企業資訊模糊搜尋系統」的共同理念。我們致力於將複雜的 RAG 技術與多策略檢索架構整合，解決台灣在地化搜尋中常見的名稱錯置與語意斷層。對我們而言，開源不只是技術分享，更是一種實踐「資訊易得性」的方式。我們希望能消弭專業領域的資訊門檻，讓高資安要求的企業與一般使用者，都能透過這套系統，在安全的前提下實現精準、直覺的情報檢索。
議程
RAG（檢索增強生成）在真實生產環境的落地，常受限於企業資安紅線與硬體資源。本分享以 Mohuhu 平台為例，探討如何利用開源 LLM 與系統整合技術，解決台灣上市公司資料中複雜的語意關聯與搜尋容錯問題。
我們將解析如何將 AI 能力拆解並注入系統環節：
LLM 驅動索引強化：利用 Google Gemini 作為知識 Agent，在入庫階段自動產出非結構化別名（如「護國神山」、「2330」），從根本解決向量搜尋在特定領域的語意缺失。
四策略融合檢索（Hybrid RAG）：本系統核心為「加權評分引擎」，將檢索拆解為四個維度並合計信心分數：
1. 精準比對：確保代號與統編之絕對準確。
2. 中文模糊搜尋：處理名稱錯置與冗餘詞。
3. 注音/拼音容錯：解決輸入法未切換（如 vm6vm42j/）之痛點。
4. RAG 向量語意：整合本地 Ollama (bge-m3) 與 pgvector 處理深層語意。高資安環境部署取捨：針對離線地端場景，提出「AI 預處理、地端輕量化檢索」架構。透過 PyInstaller 封裝，讓企業在完全離線下仍能享受 LLM 強化後的體驗。
自動化工作流：利用 OpenClaw 與 Telegram Bot 監控從爬蟲到 Embedding 的 ETL 管線，並實作失敗自動回補機制。
聽眾獲益
1. 混合搜尋實作：四路並行加權架構與權重調校細節。
2. RAG 實戰策略：利用 LLM 預處理提升特定領域檢索召回率（Recall）。
3. 工程設計模式：在資安、硬體限制與 AI 效能間取得平衡的落地經驗。