AI

背景：我本來就在用的東西 念專科考試的時候，我給自己弄了一套 RAG（Retrieval Augmented Generation），用「看相似度」的語意搜尋（semantic search）把幾百本復健科教科書跟我自己的筆記變成可以查、可以問的東西。一邊在 Obsidian 裡讀書用，一邊讓 Claude 透過 MCP 也能找到我要的東西。 它目前最弱的地方，就是「跨文獻把知識串起來」。所以前幾天看到有人分享一篇剛發表的論文 SAG（SQL-Retrieval Augmented Generation），說可以在語意搜尋之外加上結構化查詢語言（SQL）跟圖的概念，讓跨文獻搜尋更容易，效果類似 GraphRAG 但更好維護、更好建立，我整個眼睛一亮。 在這時代想當然爾，就是把論文連結丟給 Claude，請他去讀論文、抓原作者的 GitHub、讀懂作法，然後用我自己的資料把整條管線複現出來、實際跑 benchmark XD 論文：Wu et al., SAG: SQL-Retrieval Augmented Generation with Query-Time Dynamic Hyperedges, arXiv:2606.15971。程式碼：github.com/Zleap-AI/SAG-Benchmark 第一步：選模型（RTX-3070 的眼淚） 整條管線裡最關鍵的一步，是用 LLM 把每段文字抽成「事件 ＋ 實體」存進資料庫。原論文用 Qwen，我就比了本地的 Qwen（qwen3.5:4b）跟線上的 Claude Haiku。 結果 Haiku 萃取資訊的能力明顯比較好，實體圖更密、命名更一致（這對後面用 SQL 串很重要），而且看起來很便宜。這跟我先前的經驗相符，可能我的 RTX-3070 真的太弱了，稍微大一點的模型就跑不動（時代的眼淚阿），直接用 Haiku 又快又好！ 順帶一提，我沒有 API 訂閱也能用 Haiku：直接派 Claude 的 subagent 去做，跑在既有額度內就好。 教科書上的三個發現 我用神經復健的教科書當測試語料，設計了一批臨床問題，拿 SAG 跟原本的語意搜尋正面對決。結果分三關： 第一關，單一本書：打平。語意搜尋已經夠強，多跳機制沒用武之地。 第二關，跨書、但問題裡把關鍵字都寫白了：還是打平。因為問題裡已經把「中風、脊張力、步態」全寫出來，語意搜尋自己就把相關段落都撈回來了。 第三關，跨書、但只問一端、中間那跳故意不講（例如只問「馬蹄內翻足怎麼處理」，期待它自己連到背後的脊張力機轉跟治療）：SAG 終於贏了，而且贏很多。 ...

上週末考完專科考試，終於要成為復健科主治醫師了！ 在花蓮十幾年，無數次來往台北上課，早早就把自己坐成了台鐵黃金會員。前陣子準備院內升等，請 Claude 幫我爬梳這些年上過的復健科課程，線上線下加一加，發現竟然破了 150 堂！沒想到不知不覺間，已經累積了這麼多學習開銷🤣 還記得 R1 那年，Braddom（復健科最重要的教科書之一）的總編輯 Prof. Cifu 來台灣復健醫學會年會，演講「怎麼當一個傑出的復健科醫師」，那時講述他成為主治醫師以來大概每十年換一個領域，每個領域都能做到頂尖，很好奇他會給住院醫師什麼建議，便舉手請教。他說：多方面接觸各個領域，不局限自己在一個領域。這四年回頭看，我想我沒辜負他的建議，兒復、神經、骨病、超音波、徒手治療等等，有機會就學，是很充實的四年。尤其最後考完試回想起來，真的比起以前多會了很多東西，很為自己開心，也很感恩。 能在花蓮慈濟受訓，我真的蠻開心。模擬手術、花東增生義診、兒復討論會，每週的超音波與心肺教學，加上公費去了美國 AAP、澳洲 ISPRM，還到台大、北榮、林長短期訓練。一路上看著許多令人尊敬的老師怎麼看診，也碰上不少大師，包括令人景仰的連教授、Braddom 總編輯 Prof. David X. Cifu 與副編輯 Prof. Henry Lew。能親眼看到大師風采，真的很幸運。 如果說這四年把「不受限」走得最遠的一步，大概是今年二月，準備考試時一直聽到 vibe coding與龍蝦，忍不住開始用 Claude Code，沒兩天就把方案從 pro 升到 max。用它把「讀書」方法整個重新設計：建了一個能隨時問答的個人知識庫，也做了刷考古題的複習網站。從臨床一路跨到工程，意外發現唯一的限制，大概真的是想像力！這些考前不好意思說自己在玩AI，考後就可以多多來跟大家討論了～ 再來八月開始，我會留在花蓮慈濟當主治醫師。新的階段，請大家多多指教囉！