當 AI 透過「參考書」解程式題？演算法問題解決的新地平線

想像一下，有一位正在參加艱難數學考試的學生。現有的人工智慧（AI）就像是一位將所有教科書通通背進腦袋裡的學生，但有時卻會忽略問題的核心，或者面對沒學過的變形題時感到不知所措。

如果這位學生在考試過程中，隨時都能翻閱一本「參考書」會如何呢？近期在人工智慧領域中，AI 透過「檢索增強生成（RAG, Retrieval-Augmented Generation）」技術，主動搜尋外部資料庫尋找答案，正致力於解決這個問題。特別是一項探討 AI 在處理複雜演算法程式題時，效能如何產生變化的研究結果發表後，引起了廣大關注 1。

為什麼這項技術很重要？

演算法解題是要求 AI 具備最高等級推理能力的工作之一。這不僅僅是編寫程式碼，還需要釐清問題邏輯並設計出高效率的解決方案。AI 在此領域變得更聰明，意味著我們所使用的軟體效能將獲得改善，同時也象徵著一個 AI 能協助我們快速解決更複雜難題的時代即將到來。

過去，AI 主要僅能透過訓練資料來解決問題。但本次研究證明，僅僅是提供 AI 一本名為「類似的過去問題」的參考書，就能讓效能顯著提升 2。

簡單來說：AI 的「開卷考」

「檢索增強生成（RAG）」簡單來說，就是讓 AI 進行「開卷考」的技術 5。

打個比方，資深廚師在研發新菜色時，不會單純依賴記憶，而是會翻開使用過類似食材的食譜進行應用。顯然，這樣能產出更精確、水準更高的成果。技術上具體過程如下 7：

1. 接收提問：使用者將演算法問題丟給 AI。
2. 查找參考書：AI 不會直接作答，而是先從外部資料庫搜尋與該問題類型相似的過往題目或解答 3。此時，利用「嵌入（Embedding，將單詞或句子轉換為數字向量來測量語義相似度的技術）」與「相似度檢索演算法」，精準地提取出真正相關的資訊 1。
3. 參考後作答：將搜尋到的資訊與原始問題結合，由 AI 編寫出最佳的程式碼 7。

進展到什麼程度了？

實驗結果非常振奮人心。研究團隊利用「CodeContests」資料集評估了 AI 的效能 1。結果顯示，與過去單純僅提供問題描述相比，使用 RAG 技術參考相似的例題後，AI 成功解決問題的機率大幅提升 2。

然而，這並非完美無缺。如果檢索系統抓取了錯誤資訊或無關內容，AI 也有可能基於錯誤資訊編寫出程式碼。專家們將此稱為「檢索不完整（Imperfect Retrieval）」問題，如何篩選這些資訊也是目前該技術的核心課題之一 6。

未來走向如何？

未來，不僅是單純抓取相關資訊，預計「代理型 RAG（Agentic RAG）」將會被更廣泛地應用，AI 將能自行規劃並判斷檢索過程 4。

AI 將不再是被動接到「去搜尋！」的指令，而是能主動思考：「要解決這個問題需要什麼知識？好，那我來搜尋這部分看看。」並靈活運用參考書。我們所使用的 AI 程式工具，終將能產出越來越像人類所撰寫、簡潔優雅的程式碼，而這一天已經不遠了。

AI 的觀點（MindTickleBytes AI 記者觀點）

解開演算法問題是邏輯與推理的巔峰。RAG 這種讓 AI 主動查找與參考知識的模式，是一個非常關鍵的線索，顯示出人工智慧正從「死背」進化到「睿智的檢索與推理」。未來，決定 AI 能力的標準，將不再是「學習了多少資料」，而是「如何高效地搜尋與應用知識」。

參考資料

1. Assessing the Impact of Retrieval-Augmented Generation on Algorithmic Problem-Solving
2. Assessing the Impact of Retrieval-Augmented Generation
3. Retrieval-Augmented Generation for Large Language…
4. Agentic RAG vs. Naive RAG: When Your Retrieval… - KDnuggets
5. Retrieval-Augmented Generation(RAG) - DeepLearning.AI
6. Astute RAG: Overcoming Imperfect Retrieval…
7. What is RAG? - Retrieval-Augmented Generation AI Explained - AWS