多年累積下來，我的 Apple Notes 已經有 7000 多則筆記，搜尋愈來愈不準確，常在寫新筆記時想參考舊筆記，卻怎麼也找不到

於是，我決定替 Apple Notes 加個 RAG（順便當練習）。隨著新筆記輸入，底下便自動推薦相似度最高的五則筆記，效果可參考下方影片

由於我的筆記包含科技、商業、文學、音樂等廣泛的領域，目前覺得 RAG 效果挺不錯的。當輸入「行銷規劃」，底下只會出現關於行銷的筆記；切換到「樂理」，則只會推薦音樂相關的筆記

（請大家不要仔細看我都記了什麼筆記，有點害羞！）

詳細的心得紀錄也放在 ALPHA Camp 部落格，有興趣的話歡迎閱讀（感謝 Titan 邀稿！）：

▌〈為我的筆記加上 AI：RAG 實作經驗分享與四大產品化挑戰〉：https://t.co/wYDQzIfJBr

我用的是 cloud 的 Vectorize 向量資料庫，以及 BAAI 的 bge-m3 模型。前端則寫了簡易的 Next.js 網站，每次輸入一小段文字後，就重新做 embedding 並與向量資料庫比對，找出相似度最高的五則筆記

（bge-m3 具備多語言 embedding 能力，如果大家也想嘗試的話，可能要注意一點，有些模型只能 embed 單一語言）

整件事實作起來算蠻單純的，最麻煩的地方應該是得逐一對筆記做 embedding ，上傳至向量資料庫（只上傳向量與索引用的筆記 ID，筆記內容保留在本機端）

我沒有打算為這個小 side project 搞一個 GPU，所以翻出了 2015 年的 Macbook Pro，白天工作時就放在旁邊讓它跑⋯⋯（其實還蠻快的，大概 2~3 小時吧）

嚴格說起來，這是只有 R（Retrieval）沒有 G（Generation）的 RAG。但我並不需要 LLM「幫我寫筆記」或「跟筆記對話」，如果它太熱心反而有點困擾

這也是我這段時間常常思考的事。因為 ChatGPT 太紅，許多新產品預設都是聊天界面。但我總覺得聊天界面並沒有那麼好用，很類似在終端機下指令

對我而言，AI 在背後理解使用者意圖，並且魔法一般完成某些事情，是我更喜歡的體驗

當然，「沒有聊天界面」還有一個不太重要的好處：使用者不能下 prompt，自然也就不用擔心 prompt injection / leak。這套邏輯，大概就類似於「不要試著解決問題，而是解決提出問題的人」（？？）