擁抱NotebookLM？聊聊用Gemini建立更可靠的知識庫
前言 開始之前，我們不妨先了解一下 知識庫 是什麼？ 知識庫 （Knowledge Base）是一個集中管理和儲存各種資訊、知識、解決方案或專業知識的系統或資料庫，最終目的是為了幫助人們或是快速找到所需的資訊，解決問題，甚至獲得相關的專業知識。 在日常應用中，知識庫可以應用在很多領域裡： 技術支援 ，像是使用指南、常見問題或解決方案等等，這樣可以讓客戶或使用者自行得到答案，減少聯繫支援人員的書信往返。 知識管理 ，在企業或組織內部，知識庫可以儲存公司政策、技術文檔等，目的是讓員工可以更快速找到需要的資料，做到知識傳承，進而提高工作效率和生產力。 學術研究 ，學術上的突破，通常要仰賴很多大大小小不同的研究資料、學術文章和期刊等等，才能得出一個具有公信力的結論，透過知識庫整合，可以有效提升找出結論的效率。 而作為一個知識庫，需要具備幾項特徵，才能滿足讓使用者快速找到需要的知識和解決方案： 結構化內容 ，資料需要有條理的、可分類的，容易被檢索。 可搜索性 ，使用者的問題可能很零散，所以需用片段文字或關鍵字能快速找到資訊。 持續更新 ：在知識爆炸的年代，怎麼跟上現況，更新資訊或解決方案就顯得特別重要。 自助服務 ：用戶可以不需要依賴支援，就能獲得所需的資訊。 綜合以上，要完成一個真正強而有力的知識庫，著實不是一件容易的事情，不僅僅是一個聊天機器人、搜尋引擎 或是計程車司機、軍訓課教官、補習班老師 就能滿足所有人的需求．再加上封閉領域（Closed-Domain）和開放領域（Open-Domain）的知識裡亦有許多歧義問題要面對，因此在深度學習和巨量資料研究蓬勃發展的今日，這仍是一個迷人且具備高挑戰性的課題。 在ChatGPT橫空出世後，大語言模型 （ Larger Language Model ） 捲起了一波新浪潮，面對人類的提問，ChatGPT幾乎有問必答，我們甚至會覺得他在開放知識領域的問答(Question-Answering)任務表現上幾乎無敵了，但是Chat畢竟是Chat，基於 Autoregressive 的GPT Model在 NLG（Natural Language Generation ）表現非常好，但LLM還是存在幾個與生俱來的缺陷如： 知識更新延遲 ：LLM的資料來源常基於訓練時的資料，可能無法反映最新的資訊或事件。 偏見與不當內容生成 ：除了幻覺（...
