情境背景

你負責一個網站的內容管理系統，目前使用者反饹「很難找到相關的內容」。你需要探索不同的解決方案，找出最適合的設計方案。

對置步驟

步驟 1：探索解決方案 (20 分鐘)

目標：探索多種搜尋解決方案，進行比較分析

AI 對話：

• You:

  /brainstorming

• AI:

  讓我們一起探索這個內容管理系統的搜尋設計。

  第一個問題：使用者說「很難找到相關的內容」，具體是什麼場景？

  • You:

  使用者需要在文章中找到相關的術語和概念，但目前的搜尋只支援精確匹配。

  AI: 好的，這是一個典型的語意搜尋問題。讓我繼續問。

  第二個問題：你考慮過哪些搜尋方案？

  • You:

  我看過這些方案：

  • 全文索引搜尋
  • 向量 embeddings 搜尋
  • LLM 語合搜尋

  AI: 好的。讓我比較這些方案。

  方案比較：

  全文索引搜尋：

  • 優點：快速、精確的精確匹配
  • 缺點：無法理解語意，只能匹配關字

  向量 embeddings 搜尋：

  • 優點：理解語意、可以推薦相關內容
  • 缺點：需要 embeddings、維護成本高

  LLM 聯合搜尋：

  • 優點：結合精確匹配和語意理解
  • 缺點：API 成本、需模型提示

  推薦方案：向量 embeddings 搜尋

  理由：

  • 使用者需要語意搜尋，不只是關鍵字匹配
  • 可以推薦相關但用詞不同的內容
  • 現技術成熟，有很多開源實作

  下一步：要開始規劃嗎？

步驟 2：制定計畫 (15 分鐘)

目標：制定向量搜尋功能的實作計畫

AI 對話：

• You:

  /writing-plans

• AI:

  讓我們一起制定向量搜尋功能的實作計畫。

  設計決策：

  1. 前端：

     • 使用向量資料庫（Qdrant）儲存向量
     • 使用 React 組件展示搜尋結果

  2. 後端：

     • 使用 OpenAI embeddings API 生成向量
     • 使用 Qdrant 客戶端連接

  3. 更新流程：

     • 內容發布時自動生成向量
     • 註式碼更新時重新生成向量

  實作步驟：

  1. 建立向量資料庫（Qdrant）
  2. 實作 embeddings 生成 API
  3. 實作搜尋介面和元件
  4. 實作自動化向量更新流程
  5. 測試驗證

  時間估算：4 小時

  下一步：要開始實作嗎？

步驟 3：實作功能 (2-3 小時)

目標：根據計畫實作向量搜尋功能

AI 對話：

• You:

  /implement --spec=docs/plans/vector-search.md

• AI:

  開始實作向量搜尋功能…

  實作狀況：

  1. 建立 Qdrant 向量資料庫 ✓
  2. 實作 embeddings 生成 API ✓
  3. 實作搜尋介面 ✓
  4. 實作自動化更新流程 ✓
  5. 測試通過 ✓

  實作完成，準備驗證。

學活的決策

誇索引擎選擇

在探索過程中，你決定使用 向量 embeddings 搜尋 而非全文索引或 LLM 搜尋。

選擇依據：

• 使用者需要語意搜尋（推薦相關但用詞不同的內容）
• 技術成熟度高，開源方案豐富
• API 成本可接受（OpenAI）

自動化更新流程

你決定在內容發布和程式碼更新時，自動更新向量，確保向量與內容同步。

解決方案：

• 內容發布時：觸發 webhook → 生成向量 → 儲存到 Qdrant
• 程式碼更新時：監聽程式碼庫 → 觸發 webhook → 重新生成向量 → 更新 Qdrant

工具使用摘要

結果

• ✅ 探索到最佳解決方案（向量 embeddings 搜尋）
• ✅ 制定完整的實作計畫
• ✅ 成功實作並測試向量搜尋功能
• ✅ 實作自動化更新流程
• ✅ 搜尋準確度和使用者滿意度顯著提升

經驗

使用者回饋：「現在可以輕鬆找到相關內容了，推薦功能特別有用！」