1. 簡化

對目標物進行組件分析，刪除或簡化其中的某些組件，以提高效率或降低成本。例如，廉價航空取消飛機上的餐點與娛樂服務，使得機票價格更具競爭力。

2. 分割

透過功能、外形或保存的分割方式，重新組合目標物的組件，創造出新的可能性。例如，將印表機墨水匣設計成可拆卸的組件，方便更換墨水。

3. 加乘

複製目標物的特定組件，增加其數量或改變其特性，再與原物結合。例如，兒童腳踏車加裝訓練輪，幫助孩子學習騎車而不摔倒。

4. 任務統合

◦將目標物的組件整合多種功能，打破原本的框架，創造出具有多重功能的新產品。例如，除臭襪不僅保暖，還具有去除腳臭的功能。

5. 屬性相依

發現並利用目標物內部組件之間的屬性相互關聯，以改進產品的性能或功能。例如，智能化汽車雨刷速度隨著雨勢大小變化，減輕駕駛者的操作負擔。

• 超出管制界限
  • 任意點超出管制上限或下限​
• 偏倚Bias
  • 連續7點出現在管制中心線的一側 ​
  • 連續3點中有2點靠近管制上限或下限​
• 異常趨勢
  • 連續7點出現持續上升或下降​
• 非常態
  • 管製圖上的點（7點以上）出現規律性變化

網路上看了很多關於天幕搭設的影片，每個都搭得很美很挺，但一般露營區很少有夠大的營位可以如此揮灑…

根據個人經驗，推薦以下的搭設流程：

1. 將天幕在預計搭設的位置，將長邊攤開於營地上（不用整個天幕攤開）

2. 透過拉直天幕的長邊確認搭設的位置，建議營位長度大於天幕的長邊200公分以上。若未達該標準，也是能搭，但由於需要將營柱往內縮，所以天幕下的空間也會因此而被犧牲。

3. 承2.，抓取搭設天幕的中線，並在兩側距離中線約1米下營釘，共4個。

4. 準備營繩，營柱便可立起天幕並進行後續搭設了

經測試 確認能直接用台灣的手機門號，搭配日本當地地址(用飯店地址）和日文姓名（日文平假名），不需要設定付費信用卡，便能註冊日本Apple ID ，並以此下載日本限定App。

RAG，全稱為檢索增強生成（Retrieval-Augmented Generation），是一種結合了資訊檢索和文本生成的技術。它允許大型語言模型（LLM）從外部資料源獲取並整合資訊，以提供更準確、更具權威性和可靠性的答案。

簡單來說，RAG技術在生成回答之前，會先從一個外部的資料庫中檢索相關資料，然後將這些資料與用戶的提示詞一起提供給LLM，作為生成回答的參考。這種方法類似於開書考試，模型不是僅依靠記憶（即模型微調的知識）來回答問題，而是可以查閱相關資料來提供答案。

RAG的優勢在於它可以解決大型語言模型在實際應用時可能出現的幻想（hallucination）問題，即生成的信息可能不準確或過時。通過檢索最新的資料，RAG能夠提高回答的正確性，並且因為它是在生成回答時才去搜尋資料，所以成本低、靈活度高、還有助於保護資料隱私和安全，因為資料庫本身具有權限管理功能，企業可以限制敏感資料的授權，從而避免大型語言模型意外泄露機密資料。

工作原理

假設使用一個問答系統來尋找關於「台灣的首都」的資訊。在這個例子中，RAG技術會這樣運作：

1. 用戶輸入問題：你在問答系統中輸入問題「台灣的首都是哪裡？」。
2. 檢索階段：系統首先會在一個外部資料庫中檢索相關資訊。這個資料庫可能包含了各種關於台灣的資料，包括地理、歷史和政治等方面的信息。
3. 資料處理：從資料庫中檢索到的資料會被轉換成向量形式，這樣系統就可以更快地找到與問題最相關的資料。
4. 生成階段：系統將檢索到的資料與用戶的問題結合起來，利用大型語言模型生成一個結構化的回答。在這個例子中，系統可能會生成這樣的回答：「台灣的首都是台北」。

通過這種方式，RAG技術能夠幫助系統利用最新的資料來生成更準確、更有用的回答。這種技術特別適合那些需要處理大量資料和需要即時更新資訊的應用場景。

這個例子展示了RAG如何結合檢索和生成兩個階段來提高問答系統的性能。它不僅提高了回答的準確性，還提供了一種靈活且成本效益高的方式來處理各種複雜的查詢。

以首頁動態輪播前10則內容組成來看，不是新聞、綜藝花邊新聞或是廣告新聞佔多數，不然就是標題引人注目的社會新聞，而實際與生活相關的只有2則…