Hank It Up-流程智造所

01/06/2026

從 2025 年 9 月開始，我們因台中化粧品公會的需求，開始投入 PIF 系統化建置，希望透過系統、資料庫與 AI，協助業者更有效率地完成 PIF 文件與安全評估。

這段時間，我們也在老師與顧問的協助下，不斷修正毒理資料、評估邏輯與系統呈現方式，目前系統已累積近 1,200 次改版，只為了讓 SA 在評估時更有依據，也讓業者準備 PIF 時更有效率。

折扣碼在官網內有喔~~
使用期限 2026/06/01-2026/06/30

2025 年 9 月，某次跟台中化粧品公會理事長開會時，理事長跟我提到一個想法：之後 PIF 全面上路，業者一定會面臨很多資料整理、文件建置跟安全評估上的壓力，有沒有可能透過系統、資料庫，再加上 AI 的方式，幫助公會成員....

04/01/2026

一個會進化的系統，就是方便
藉由 Ragic 與 n8n 兩種工具的串接，快速幫助資料庫AI化
AI時代，如何整合工具還是一個蠻重要的技能~

28/10/2025

Simple TOX PIF 介紹

“ 我們將重新定義 PIF，以 模組化、智慧化與合規化 的新世代方案，讓企業不再被高昂成本綁住腳步，而是能以更低成本、更高效率推動研發與市場拓展。”

現行最優的PIF解決方案 “ 我們將重新定義 PIF，以 模組化、智慧化與合規化 的新世代方案，讓企業不再被高昂成本綁住腳步，而是能以更低成本、更高效率推動研發與市場拓展。” 在化妝品產業中，「產品資訊檔（Product Informa...

08/10/2025

2025/10/23 國立台南護專分享，前線消息

我們一直能希望打造出對於妝品產業有幫助的產品，盡屬於自己的一份小小心力。我們將在 10/ 23 台南護專分享時，同時發布我們的 Simple TOX PIF 解決方案。如何幫助不論是進口商、代工廠、品牌端減輕一些人力負擔。

我們的宗旨:

“ 我們將重新定義 PIF，
以 模組化、智慧化與合規化 的新世代方案，讓企業不再被高昂成本綁住腳步，而是能以更低成本、更高效率推動研發與市場拓展。”

以下先簡單分享一個前導工具，由於GPT的普及，簡單設定還是能夠解決一些廠商們在整理資料時的困擾，若沒有學過安全性評估，當拿到檔案後到底應該丟在 16個資料夾的哪一個??

可以嘗試以下的連結，跟他聊聊，或許能幫上一些忙喔!!
接下來就期待我們 10/23 的分享哩!

https://chatgpt.com/g/g-68dde7e714b48191a2cd4ef7c6a8a207-simple-tox-pif-aizhu-li-pinnova

BTW: 當天會場也會邀請 知識倉鼠(李元魁) 到現場，雖然不是上台分享，但對於自動化流程有興趣的人，當天也可以聊聊認識一下
，希望能對化妝品產業在AI自動化的路途上盡綿薄之力


#化妝品安全性評估

#知識倉鼠

10/07/2025

想問問粧品界的朋友們
目前對於毒理資料的品質要求如何??

1. 有就好? (可以問問GPT)
2. 有可依尋的來源，但無法確認是否正確? (一般堪用)
3. 資料均來自於文獻以及CIR或ECHA?? (比較貴)

可以底下留言，若選擇2的朋友們多，我們可嘗試做個AI毒理資料機器人，協助毒理資料的處理喔~~

02/07/2025

由於試用名單申請踴躍，決定開放"原料解析" 試用功能。
有申請試用的夥伴們，可以使用看看，有任何問題也請到提問單發問喔!

30/06/2025

上週參與弘光科技大學化妝品應用系「2025 產業趨勢論壇暨畢業成果發表會」論壇的夥伴們，相關試用已經核准囉~~如果有任何問題，請寄信至 [email protected]

或是在Ragic 提問單處留下您的問題，我們會盡快回覆的~

如果需要更詳細的DEMO，請寄信至 [email protected] ，預約專門時間，感謝您1.使用過程，如果有相關問題可以先至公司官網的ChatBot 進行詢問，或是加入官方的LINEBOT進行詢問 2. 若在試用過程中，有什麼功能想要增....

30/06/2025

初次在大型講堂進行演講，也感謝 弘光化妝品應用系、台中化妝品公會、化粧品怪獸俱樂部的邀請，讓我可以認識化妝品界的先進前輩，與大家分享如何使用AI或是其他工具來幫助這個業界進步，盡我的一份心力。

https://pinnovaghost.zeabur.app/2025-06-27_hong-guang-fen-xiang-hui/

25/06/2025

這陣子比較少分享主因在於架設了自己的官網(藉由Vibe Coding)，
Vibe Coding 是藉由自然語言的方式與AI溝通，讓AI完成你心中所想，雖然都是靠自然語言，但對於程式語言的敏感度還是需要稍微提升一點點，不然可能架構做完後，接下來就無從下手了。

也在準備了這週五的分享，我們如何藉由適當的工具來協助自己的工作，因深根在化妝保養品業七八年，所以能更了解這個產業的痛點與提出一些解決方案。詳細的內容就等週五演講完後，再來思考看看有什麼可以在這邊分享滴

官網資訊:
https://www.pinnovabiotech.com.tw/
後續的資訊分享會以官網Bolg方式呈現，可以寫的更完整，搜尋上也能更加方便^^

16/05/2025

[科技大解密]-RAG搜尋的演進與設計規劃

近期收到 偷懶辦公室-Kevin的邀請，研究了一下RAG搜尋在實際商用時的做法，發現有些心得可以跟大家分享一下。

因為自己並不是資工背景的畢業的學生，所以我一路走來都是以實戰角度在學習資料庫，從大學碰到的 EXCEL 樞紐分析表、ACCESS 單機資料庫、到後期的PowerBI 等，這些基本上都是以 #關鍵字搜尋 方式(不論是精確或是模糊搜尋)，你總是要記得幾個關鍵字與搜尋欄位才能找到自己想找的資料。

而跨入AI領域後，看到了另一種檢索方式: #語意搜尋，是基於詞語本身的涵義去進行分類，依照各種產製向量模型的不同，可以分成上百至數千的維度如 openai 的 text-embedding-3-small 產生了 1536個維度，而text-embedding-3-large 則產生了 3072個維度。維度的數量決定了對於該詞彙或是該資訊能解析細緻程度。如"蘋果" 這個詞語，我們可以從 分類、顏色、外觀等這種角度去描述蘋果，所以在向量的世界中，Apple 與 蘋果 是相當類似的東西。但若使用關鍵字搜尋就無法在搜尋Apple 時出現 蘋果的相關資訊。

也因為我們無法預測消費者能否使用精確的詞彙進行搜尋，所以對於向量資料庫抱著一定的期待，看到 n8n 與 MAKE等自動化流程中，大家都努力著推廣著AI機器人搭配 RAG 向量資料庫。瞬間就變成了顯學~😆

但在實戰中，我們可能會遇到以下問題
Q1.是不是把手上的資料都餵進去，你做的機器人瞬間就變成知識達人，準確率極高呢?
A1.這答案顯而易見是否定的，因為沒有清理與確認過的資料，機器人是無法判斷是否適用，再加上向量資料庫的回拋資訊是根據你丟進去的內容再次回傳給機器人，而且都只給部分。在這樣的情況下，資料沒有整理好，就只會發生機器人只回答部分，甚至是回覆不對的東西。

Q2.若作為顧客回覆的AI機器人，當檢索的向量資料庫出現問題時，會不知道該如何去修正向量資料庫內容，尤其是使用Pinecone 這類的純向量資料庫。
A2.在目前市場主流的教學中，大家都是教你怎麼擺進去，比較少在教學怎麼樣修正錯誤的資料，做法上可以分成兩類，a.藉由指定只知的vector ID 進行內文修改、b.在每筆資料內均插入寫進系統的時間，在藉由後續AI agent 的 prompt 進行判定，如依照較新的日期進行回覆。

Q3.是不是所有的資料都適合塞進向量資料庫
A3. 答案肯定是不行~~端看資料種類與內容，如果是圖表類或是pdf是兩欄式文字，在進行extract pdf 時就容易跑版，跑版後塞進資料庫的資料就會變得很奇怪。若是圖表居多，也無法直接萃取出來文字，需要靠OCR與prompt告知AI agent 該怎麼看這些圖，怎麼去描述這類圖，使其文字化。也有看過請AI直接用 MD方式繪出圖表，最後在放進資料庫；而有一類文件，目前是更難只接放進去，若文章內一直互相引用，如請參考第幾條說明等，若是這類資訊，就直接放棄用RAG，請好好fine-tuning 模型了

Q4. RAG資料庫萬能嗎？
A4. 語意搜尋是向量資料庫的強項，但當如果你提供的文字，他壓根看不出來是什麼東西，ISO22716、某個商品的型號。這些文字在日常生活中並沒有代表一些明確的涵義，進行向量分析時很有可能會放在不對的位子，導致回拋搜尋結果時，容易出錯。尤其當資料庫的資料龐大時，更容易發生。通常我們在回拋資料時為了分析的token 成本，不會一次回覆太多筆查詢結果，通常設定在10-20之間。所以在決定那種資料庫時，還是要先確認需求是甚麼?如果一般的資料庫就可以解決的，不一定需要用到向量資料庫。

近期大家為了這個問題，提出了一些解決方式"Hybrid_Search"'，同時結合語意搜尋(Vector)與關鍵字搜尋(Full-Text Search)，目前接觸過的Supabase與Pinecone都可以做到混合式搜尋法，混合式搜尋的核心原理語意搜尋：使用嵌入向量捕捉文本的語意和上下文可以找出語意相似的內容；關鍵字搜尋 (FTS)：精確匹配特定關鍵字、處理專有名詞、技術術語或獨特識別符。混合搜尋藉由雙重索引與權重分配使用不同的策略合併兩種搜尋的結果（如交集、聯集或加權平均）對重複結果進行去重和排序。

上述作法可以解決搜尋中的專有名詞，BUT‼️
FTS的拆解對於中文目前尚不友善，因為中文不像英文單字是以單字為拆分對象，中文的單字與詞並沒有明確的拆分方式。還需要引入其他模型，才有辦法解決這個問題。

目前我的做法，若既有可以進行全文檢索的資料庫(如 Ragic, PostSql等)，可以從那邊先拿到關鍵字檢索的答案，再從向量資料庫進行語意檢索，把兩者答案合併後，由AI進行最後整理，這樣的作法執行的難度相對較低。或是直接用Pinecone 新增 Dense vector 與 Sparse vector 這兩個 index，這樣就可以同時擁有語意搜尋與關鍵字檢索的功能，但目前並沒有直接的節點可以做這件事，所以全部都要靠HTTP request進行處理。

但完成了上述的設定，大概也只是把路鋪好而已，資料清理與確認會是RAG最重要且不能省略的事情壓，只有好品質input才會有好的output。 可以看看 DeepSxxk就知道囉~~~