為什麼 RAG 需要 Entity Graph？
深入分析純向量搜尋的盲點，以及 Entity Embedding Graph 如何補足語意斷層，讓 AI 真正「理解」你的資料。
🧠 AI & RAG 系列
2026 Q2 創作者福音：免費 AI 語音轉 SRT 字幕教學
把原本的單頁 HTML 字幕教學稿，轉成可維護的 JSX motion deck。從收費痛點、IDE + Whisper 核心方案，到 YouTube 校稿工作流，一次講清楚。
AI Motion Decks HTML → JSX：Framer Motion 切頁動畫版
把同一份 deck 升級成 Framer Motion 驅動的專業切頁版。用 AnimatePresence、direction-aware transitions 與 block-level choreography 做出更俐落的簡報節奏。
為什麼 AI Motion Decks 改一個字要翻 500 行？HTML 投影片、PPT 轉 JSX 實測
為什麼你不該在 HTML 階段做精修，以及什麼時候該「畢業」轉 JSX。從草稿速度到長期可維護架構的完整工作流程。
CtxFST 是什麼？從 Markdown 到 AI World Model
12 張投影片帶你理解 CtxFST：為什麼純向量檢索不夠用、Chunk 與 Entity 如何分離、Schema 穩定為何是地基，以及從 GraphRAG 走向 World Model 的路線圖。
為什麼 RAG 需要 Entity Graph？
深入分析純向量搜尋的盲點，以及 Entity Embedding Graph 如何補足語意斷層，讓 AI 真正「理解」你的資料。
Vector Search 為什麼不夠用？
純向量搜尋在語意理解上的盲點，以及為什麼你的 RAG 系統需要更多。
CtxFST — 穩定 Schema，才能走向 GraphRAG
在急著打通 Vector DB、建立 Entity Graph 或做產品 Demo 之前，你必須先把底層資料格式釘牢。解析 Schema 飄浮的代價，以及三大核心交付物如何奠定 GraphRAG 地基。
Entity Embedding Graph 完整介紹
從零開始建立實體圖譜，讓 AI 具備結構化推理能力。
CtxFST Schema 設計決策
Context-aware Finite State Transducer 的 schema 演進與設計哲學。
RAG 框架評估：LightRAG 實戰
比較 LightRAG 與自建 RAG pipeline 的優劣與適用場景。
混合檢索 Pipeline 架構
結合向量搜尋、圖譜遍歷、metadata filter 的最佳實踐。
🛠️ Context Engineering
Skill Chunk Markdown 設計指南
將複雜技能拆分為可組合的 chunk，讓 AI Agent 具備結構化記憶。
AI Agent 的記憶架構
從 short-term 到 long-term memory，打造有「同理心」的 Agent。
Vibe Coding：重新定義開發體驗
不只是寫 code，而是建立一套讓 AI 與人協作的開發哲學。
World Model Layer 規劃
建立 Agent 的「世界觀」— 從實體關係到狀態追蹤。