技術對比分析：傳統檢索 vs. 競賽 Hybrid RAG 方案
本文件旨在分析為何傳統技術難以解決生物醫學類的複雜查詢，以及本競賽所要求的 Hybrid RAG + Vibe Coding 方案如何克服這些痛點。
1. 核心技術對照表
| 維度 | 傳統方法 (Keyword / Simple Vector) | 競賽方案 (Hybrid RAG + Agent) |
|---|---|---|
| 檢索精準度 | 僅依賴關鍵字匹配或語意相似性。 | 邏輯 (Graph) + 語意 (Vector) 雙重驗證。 |
| 推理能力 | 無法處理「多跳 (Multi-hop)」邏輯。 | 能沿著知識圖譜路徑進行多層次跳轉推理。 |
| 幻覺抑制 | 容易生成看似合理但事實錯誤的內容。 | 透過結構化圖譜強制約束事實。 |
| 開發門檻 | 需要資深工程師撰寫底層 API 與 SQL。 | Vibe Coding：自然語言開發。 |
| 應用彈性 | 規則寫死，難以應對非預期的查詢。 | AI Agent：自主決策與動態規劃。 |
2. 深度解析：什麼是 GraphRAG？
GraphRAG (Knowledge Graph-Augmented Generation) 是將 「知識圖譜 (Knowledge Graph)」 的結構化推導能力，注入到生成式 AI (LLM) 中的頂尖技術。
傳統 VectorRAG 像是「關鍵字聯想」，而 GraphRAG 則是「邏輯推理」。它不僅讀懂文字的意思，更理解萬物之間的「因果」與「關聯」。
核心價值：
- 消除幻覺：AI 必須沿著圖譜上的實體路徑（Fact-based）進行回答，不能憑空想像。
- 跨文件推理：能輕易連結 A 文件中的藥物與 B 文件中的基因，解決資訊孤島問題。
- 全域性理解：能回答「我的資料庫裡關於這個蛋白有哪些核心發現？」這種全域性主題總結問題。
3. GraphRAG 是如何實現的？ (四步曲實作流程)
在本競賽應用的 EAP 平台中，GraphRAG 的實現流程超越了簡單的「點線連結」，主要分為以下四個關鍵階段：
- 第一步：實體與關係提取 (Extraction)：系統利用 LLM 掃描原始數據（CSV、PDF、論文），不僅識別實體，還會抽取實體間的 「語意關係 (Semantic Triplets)」。例如：識別出「藥物 A ➡ 抑制 ➡ 酵素 B」這種三元組結構，而非只是單純的關鍵字。
- 第二步：層次化社群發現 (Hierarchical Community Detection)：將數以萬計的實體節點進行 「組群化 (Leiden Algorithm)」。系統會自動偵測那些關聯特別緊密的區塊（如：某類癌症的所有相關基因與藥物），並為這些「社群」生成摘要。這讓系統在回答「大局觀」問題時，不必遍覽整張網，只需查看社群摘要。
- 第三步：全局與局部檢索 (Global & Local Search)：
- Local Search：針對特定問題（如：某種藥物的副作用），系統從該藥物出發進行 「多跳 (Multi-hop) 遍歷」。
- Global Search：針對宏觀問題（如：目前的藥物開發趨勢），系統遍歷所有預先生成的「社群摘要」。
- 第四步：推理脈絡注入 (Contextualization)：系統將檢索到的「圖譜路徑」與「文獻段落」合併，重新拼裝成邏輯嚴密的 「推理背景塊 (Context)」，再餵給 LLM 生成最終具備因果關係的回答。
4. 為什麼傳統方法會失敗？（生物醫學案例）
情景：查詢「某種基因突變病患在服用藥物 A 時，是否有潛在毒性風險？」
❌ 傳統關鍵字搜尋 (Keyword Search)
若文獻中沒直接出現「基因+藥物+毒性」這三個關鍵字的組合，就搜尋不到結果。
❌ 單純向量搜尋 (Simple VectorRAG)
AI 可能會找到「藥物 A 很好」與「該基因突變很危險」的片段，然後自行腦補將兩者連結，產生嚴重的技術幻覺。
5. 競賽方案 (Hybrid RAG) 的勝出關鍵
✅ 步驟一：GraphRAG 定位邏輯路徑 (左腦)
找到藥物 A 代謝路徑 -> 發現需要 CYP2D6 酵素 -> 發現該基因突變會導致 CYP2D6 缺乏。結論：事實上存在代謝阻塞的可能。
✅ 步驟二：VectorRAG 補充脈絡細節 (右腦)
在 PubMed 文獻中搜尋相似案例的敘述性描述，提取臨床報告中的症狀觀察、給藥建議等細節。
✅ 步驟三：AI Agent 彙整輸出
由 Agent 將「圖譜中的邏輯事實」與「文獻中的臨床案例」結合，給出一個既有邏輯根據又有臨床細節的完美回覆。
6. 開發範式的革命：Vibe Coding
只需透過 Prompt 描述業務邏輯與介面需求，系統自動生成 API 串接與 UI 元件。這讓具備生物學背景的成員能真正把專業知識注入到 AI 系統中。這正是本次競賽評分「整合創新能力 (15%)」的核心。
7. 系統存儲與底層架構 (Storage & Architecture)
從 Technical Standpoint 出發，本系統並非單一的大檔案，而是由三種不同特性的存儲引擎共同維持：
| 存儲層級 | 技術實作 (Implementation) | 核心作用 |
|---|---|---|
| 圖形數據庫 (Graph DB) | Neo4j / Nebula Graph (Cypher Query) | 存儲實體(Nodes)與關係(Edges)。解決多跳查詢的關聯邏輯。 |
| 向量數據庫 (Vector DB) | Pinecone / Milvus / Chroma | 存儲文本 Chunk 與實體的 Embeddings。負責語意相似度檢索。 |
| 文檔與摘要存儲 (Doc Store) | Parquet Files / NoSQL / S3 | 存儲原始文件段落與 Leiden 演算法生成的社群摘要 (Summaries)。 |
當用戶輸入 Query 時，系統會同時調用圖譜中的「點線關聯」與向量中的「語意相似度」，最後由 AI Agent 在內容層進行彙整。這就是為何它能兼顧數據的準確性與描述的廣度。