數字人文與 RAG
為什麼易經問答更需要 RAG，而不是只靠大模型記憶
通用大模型擅長生成流暢語言，卻可能在冷門古籍、卷次、異文和學者觀點上產生混合記憶。RAG 先從指定資料庫檢索，再讓模型組織回答，特別適合易學這種來源層疊的領域。
本站內容原則高校與項目事實依公開資料呈現；學者觀點以可核實材料為準；跨領域應用與工程方案由本站負責分析。
Research Basis
研究依據
山東大學長期建設古籍數據庫並探索知識圖譜，論壇又披露垂類模型與智能體。這條公開成果鏈說明，專門資料與模型交互是易學數智化的重要方向。
Core Argument
核心分析
RAG 的基本流程包括提問理解、資料召回、段落排序、生成回答和返回引用。它不能保證絕對正確，但能把錯誤定位到「沒有找到、找錯材料、理解錯誤或表達錯誤」中的具體環節。
Implementation
如何落到研究與產品
本站文章不把 RAG 寫成神奇縮寫，而用實例說明：問乾卦時先調經文，再顯示王弼、孔穎達等注疏，最後才整理現代應用，並保持每一層的來源。
Reader Value
這對讀者有什麼價值
讀者得到的不只是答案，也能看到支撐答案的文本範圍，從而自行判斷是否接受。