緒論

當今人工智慧快速演進，大型語言模型（LLM, Large Language Models） 已成為自然語言處理領域的核心技術，能進行高準確度的問答、摘要、推理與生成。然而，LLM 雖然強大，卻存在「知識過時」與「內容幻覺」的限制。為了克服這些問題，RAG（Retrieval-Augmented Generation，檢索增強生成） 應運而生，透過結合即時知識庫與語意檢索，讓 LLM 在回答時能參考最新、準確的資料來源，大幅提升實用性與可靠性。

本次專案聚焦於「保稅制度範疇定義」的語意問答場景，建立一個以 RAG 技術為核心的原型系統，作為未來擴展智慧通關知識服務的基礎。透過建立專屬語意檢索機制與對應生成模板，模型能針對使用者提出的保稅定義類問題，提供語意清晰、邏輯完整且資料可追溯的回答。 

目前系統僅支援保稅範疇定義，但整體設計已預留擴充性，未來將逐步整合包含法規條文、通關流程、常見問答、代碼查詢與案例推論等多個子模組，發展為一套多模組、多 RAG 架構的完整智慧問答平台。這將為海關實務、報關產業與相關從業人員提供一套即時、可信且互動式的知識支援工具。 

本次報告所展示的系統為一個「保稅範疇定義問答原型」，採用了目前最具代表性的人工智慧技術組合——LLM + RAG： 

• LLM（大型語言模型）：使用如 GPT-4 等具語意理解與生成能力的 AI 模型，負責將使用者問題轉換為自然、流暢、具邏輯的回答。 

• RAG（Retrieval-Augmented Generation）：建立保稅相關定義的知識庫，系統會在回答前先檢索出相關內容，再交由 LLM 生成答案，確保回答準確且有依據。 

  
  

LLM 就像是一位知識很豐富但不記得資料來源的老師，  

RAG 就像給他一份你要問的文件和題目，請他看過再作答。  

此技術架構能讓系統根據實際知識內容回應問題，避免模型「亂答」，同時具備後續擴充其他主題（如法規、作業流程、FAQ 等）的彈性。