在AI越來越強的時代裡，分類已經變成了過去，標籤變成數據，連搜尋都遇到了挑戰。
一個經典的問題就是：如果你的網站有很多很多的商品，應該如何有效設計互動，讓想接觸到對的物件的人都可以找到？
就像是AI擁有全部的答案，但你要學會prompt，問對的問題，才能找到對的答案。
但最困難的是，絕大多數比率的人不會問問題。
在購物的世界裡，購物慾望是等待滿足的消費者問題，是我們需要發掘出來的答案。
所以題目變成，在AI的時代裡，如何設計新的體驗，讓消費者更容易問到對的問題？然後遇到可以觸動她購買的商品。
在AI的時代裡，過去的「資訊架構學」需要重新編寫新的章節。
我們依賴演算法餵養讓我們沈溺的資訊、我們依賴智慧助理告訴我們絕對的答案、我們相信網路生成的人格發布的熱門資訊，我們透過介面24小時與網路空間連結，最終的我們變成了網路上的一個節點。
餘弦距離與歐式距離計算相似度的差異，如果我要計算的是兩篇文章之間的內容的相似度，什麼比較適合？ 餘弦距離（Cosine Similarity）和歐式距離（Euclidean Distance）都是常見的相似度（或距離）度量方法。然而，對於文本的相似度比較，兩者有著顯著的差異。 餘弦距離是基於兩個向量的夾角來度量它們的相似度的。它比較的是兩個向量的方向，而不是它們的大小。換句話說，如果兩篇文章的主題相同，即使一篇文章長度比另一篇文章長得多，餘弦相似性仍可能是高的。這對於文本相似度的比較非常有用，因為我們通常對文章的主題或內容更感興趣，而不是文章的長度。 歐式距離是基於兩個點在空間中的實際距離來度量它們的相異度的。這種方法對於兩篇文章的長度非常敏感。如果一篇文章的長度遠大於另一篇文章，即使它們的內容非常相似，它們的歐式距離可能也會非常大。這在比較文本相似性時可能不是我們想要的。 因此，如果你要計算兩篇文章之間的內容相似度，餘弦相似度通常會是一個更好的選擇。你可以將每篇文章轉換為一個「詞袋」（bag-of-words）向量或一個TF-IDF向量，然後計算這兩個向量之間的餘弦相似度，以
