BEGIN:VCALENDAR
VERSION:2.0
PRODID:-//pretalx//pretalx.coscup.org//coscup-2026//speaker//TAY83U
BEGIN:VTIMEZONE
TZID:CST
BEGIN:STANDARD
DTSTART:20000101T000000
RRULE:FREQ=YEARLY;BYMONTH=1
TZNAME:CST
TZOFFSETFROM:+0800
TZOFFSETTO:+0800
END:STANDARD
END:VTIMEZONE
BEGIN:VEVENT
UID:pretalx-coscup-2026-A7LL8G@pretalx.coscup.org
DTSTART;TZID=CST:20260809T152500
DTEND;TZID=CST:20260809T154000
DESCRIPTION: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。\n\n我們
 將解析如何將 AI 能力拆解並注入系統環節：\n\n- 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。\n\n- 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：\n1. 精準比
 對：確保代號與統編之絕對準確。\n2. 中文模糊搜尋：處
 理名稱錯置與冗餘詞。\n3. 注音/拼音容錯：解決輸入法
 未切換（如 vm6vm42j/）之痛點。\n4. RAG 向量語意：整合本
 地 Ollama (bge-m3) 與 pgvector 處理深層語意。\n\n- 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。\n\n- 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。\n\n聽眾獲益\n1. 混合
 搜尋實作：四路並行加權架構與權重調校細節。\n2. RAG 
 實戰策略：利用 LLM 預處理提升特定領域檢索召回率（Rec
 all）。\n3. 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。
DTSTAMP:20260713T132557Z
LOCATION:AU
SUMMARY:RAG 落地實踐：用開源 LLM 打造高資安、零門檻的台灣公司情報搜尋系統 - Mohuhu開發團隊
URL:https://pretalx.coscup.org/coscup-2026/talk/A7LL8G/
END:VEVENT
END:VCALENDAR