原文：Threads
摘要
Uber 公開了法務部門 AI Agent 的演進過程，拿到 2026 ALM 創新獎，審核時間少了兩成以上、準確率 91%。作者 @dsdaily 從資料科學的角度看這個案例，結論是：RAG（檢索增強生成，讓 AI 回答前先去文件庫撈相關資料）效果不好，問題常常不在模型，而在餵進去的資料品質。他整理成四個重點，最後一句話收尾：Agent 做到後面，很多問題還是會繞回 Data Engineering（資料工程，也就是把資料整理乾淨、排好、管好的那套功夫）。
重點
- 「相關文件」不等於「決策依據」：文件庫很大、檢索撈得到相關內容，不代表那些內容能直接拿來下判斷。要先分清哪些是真正的規則與判例，哪些只是沾到邊的背景資料。
- 歷史資料的權重不能一樣：政策、規則會隨時間改，舊案例可能已經不適用，這就是 Data Drift（資料飄移：資料的分布或規則隨時間變了，模型卻還照舊學）。要幫舊資料降權，而不是一視同仁。
- Few-shot 要放正反案例：Few-shot 是在 prompt 裡放幾個範例讓模型照著做。只放「正確答案」學不到判斷邊界，要同時放「這種情況不算」的反例，模型才知道界線在哪。
- 邏輯明確的問題用確定性規則：能寫成 if／else 的判斷就用 deterministic rules（固定規則程式）處理，不要全部丟給 LLM 猜，省成本也更穩。
- 整個案例的重點不只是「從 RAG 一路做到 Agent」的進程，而是四件實務功夫：資料怎麼留下來、舊資料怎麼降權、正反案例怎麼選、哪些地方根本不該讓模型自由發揮。
個人洞見
這跟 Anthropic 打造有效 Agent 的建議 是同一個方向：能用固定流程與規則解決的，就不要交給模型自由發揮。對自己的知識花園也有啟發：檢索才是知識管理的瓶頸，光把 embedding 模型換好不夠，收進來的筆記要有品質、過時的要能標記或降權，搜尋結果才真的能拿來用。