你的 WordPress 搜尋匡還在裝傻？手把手打造 OpenAI 智慧搜尋引擎，讓使用者秒懂你的網站！

嗨，我是浪花科技的 Eric。身為一個天天跟程式碼打交道的工程師，我最受不了的事情之一，就是看到一個內容豐富的網站，卻配備了一個跟「金魚腦」差不多的搜尋功能。你一定也體驗過：在網站上搜了一個關鍵字，結果出來的內容牛頭不對馬嘴，最後只能嘆口氣手動一篇一篇找，或者乾脆關掉分頁。這真的太可惜了！

傳統的 WordPress 搜尋，說白了就是個「關鍵字比對器」。它只會傻傻地拿你輸入的字詞，去資料庫裡找有沒有一模一樣的字串。你搜「網站速度優化」，它就找不到那篇標題是「提升網站效能的五個技巧」的優質文章，因為字面上根本不一樣。這種搜尋方式在 2024 年，簡直就像用撥接上網一樣過時。

今天，我們就要來點硬核的。我要帶你親手為你的 WordPress 網站植入一顆「AI 大腦」，打造一個真正聽得懂「人話」的智慧搜尋引擎。我們會利用 OpenAI 的強大能力（沒錯，就是 ChatGPT 的那個家族），讓你的搜尋功能不再只是比對文字，而是理解語意、掌握使用者真正的意圖。準備好了嗎？泡杯咖啡，跟著我一起動手吧！

為什麼你的網站需要一顆「AI 大腦」？傳統搜尋的致命傷

在我們捲起袖子開始寫 code 之前，讓我們先囉嗦幾句，搞清楚「為什麼我們要做這件事」。很多客戶會問：「Eric，裝個搜尋外掛不就好了嗎？幹嘛搞這麼複雜？」問得好，但這就像問「走路就能到，為什麼要開車？」一樣。當你的目的地在 10 公里外時，工具的選擇就決定了你的效率和體驗。

傳統 WordPress 搜尋的極限

WordPress 預設的搜尋功能，背後是個簡單的 SQL LIKE 查詢。它的運作模式大概是這樣：

• 缺乏語意理解： 它不懂「蘋果手機」和「iPhone」是同一個東西。
• 對錯字零容忍： 你打錯一個字，它就直接罷工，給你一個「找不到內容」的白眼。
• 無法理解上下文： 它無法判斷一篇文章是在講「蘋果」這種水果，還是在講「蘋果」這家公司。
• 排序機制單純： 大部分時候只會按照日期排序，而不是按照內容的「相關度」。

這些問題加總起來，就是一個極差的使用者體驗。使用者找不到他們想要的資訊，跳出率自然就高，這對 SEO 來說絕對是一場災難。

AI 搜尋的魔法核心：向量嵌入 (Embeddings) 到底是什麼？

好了，理論課時間。要讓電腦理解人類語言的「意思」，而不是「字面」，我們需要一種叫做「向量嵌入 (Embeddings)」的技術。你可以把它想像成一個「翻譯機」，這個翻譯機不把中文翻成英文，而是把任何文字（一個詞、一句話、一篇文章）都「翻譯」成一串由數字組成的「座標」，也就是「向量」。

例如：

• 「提升網站速度」 → [0.01, 0.54, -0.23, …] 一串長長的數字
• 「網站效能優化」 → [0.02, 0.51, -0.25, …] 另一串很相似的數字
• 「如何種植蘋果」 → [-0.45, 0.09, 0.81, …] 一串完全不同的數字

OpenAI 的 Embedding 模型（像是 text-embedding-3-small）就是一台頂級的翻譯機。當所有文章都被轉換成向量座標後，它們就在一個高維度的「語意空間」中有了各自的位置。意思相近的內容，它們的座標點就會非常靠近。

所以，我們的 AI 搜尋是這樣運作的：

1. 使用者輸入查詢：「如何讓網站跑快一點？」
2. 我們把這句話也丟給 OpenAI，得到它的向量座標。
3. 接著，我們在我們儲存所有文章向量的資料庫中，找出跟這個查詢座標「距離最近」的幾個點。
4. 這些距離最近的點，就是語意上最相關的文章！

這就叫「語意搜尋 (Semantic Search)」，是不是比單純比對文字酷多了？

實戰開始：一步步打造 WordPress 的 AI 搜尋引擎

理論講完了，來點實際的。這個過程我會分成三個核心階段：儲存知識、建立溝通管道、執行搜尋。

階段一：為你的文章產生並儲存「向量座標」

首先，我們得讓我們網站裡現有的所有內容都變成向量。最有效率的方式，就是在每次文章發布或更新時，自動幫它產生向量。

1. 建立一個客製化資料表

雖然可以直接把向量塞進 `wp_postmeta`，但相信我，當你的文章一多，那會是一場效能災難。身為一個有格調的工程師，我們要用正確的方法。我們來建立一個專門存放向量的資料表。

你可以用 phpMyAdmin 或其他工具執行以下 SQL 指令：

CREATE TABLE `wp_post_embeddings` (
  `post_id` BIGINT(20) UNSIGNED NOT NULL,
  `embedding` VECTOR(1536) NOT NULL, -- OpenAI text-embedding-3-small 的維度是 1536
  PRIMARY KEY (`post_id`)
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;

工程師的小囉嗦：注意，上面的 `VECTOR` 欄位型態需要你的 MySQL 8.0.34+ 或 MariaDB 10.11+ 支援。如果你的資料庫版本不支援，你可以先用 `TEXT` 或 `BLOB` 欄位型態來儲存，但搜尋效能會差很多。這就是為什麼基礎架構很重要的原因！

2. 在文章儲存時觸發 OpenAI API

我們會用到 `save_post`這個 WordPress Hook。把以下程式碼加到你的主題 `functions.php` 或是一個自訂外掛中。

<?php
add_action('save_post', 'generate_and_save_post_embedding', 10, 2);

function generate_and_save_post_embedding($post_id, $post) {
    // 避免在自動儲存或修訂版本時觸發
    if (defined('DOING_AUTOSAVE') && DOING_AUTOSAVE) return;
    if (wp_is_post_revision($post_id)) return;
    if ($post->post_status !== 'publish') return; // 只處理已發布的文章

    // 組合要變成向量的內容 (可以自己客製化)
    $content_to_embed = $post->post_title . "\n\n" . wp_strip_all_tags($post->post_content);

    // --- 呼叫 OpenAI API --- 
    $api_key = '你的_OPENAI_API_KEY'; // 記得要用安全的方式儲存金鑰！
    $response = wp_remote_post('https://api.openai.com/v1/embeddings', [
        'method'    => 'POST',
        'headers'   => [
            'Content-Type'  => 'application/json',
            'Authorization' => 'Bearer ' . $api_key,
        ],
        'body'      => json_encode([
            'model' => 'text-embedding-3-small',
            'input' => $content_to_embed,
        ]),
        'timeout'   => 30, // 增加超時時間
    ]);

    if (is_wp_error($response)) {
        // 錯誤處理，例如寫入 log
        error_log('OpenAI API Error: ' . $response->get_error_message());
        return;
    }

    $body = json_decode(wp_remote_retrieve_body($response), true);

    if (isset($body['data'][0]['embedding'])) {
        global $wpdb;
        $embedding = $body['data'][0]['embedding'];
        $table_name = $wpdb->prefix . 'post_embeddings';
        
        // 將陣列轉換成資料庫需要的格式 '[1.2,3.4,...]'
        $embedding_str = '[' . implode(',', $embedding) . ']';

        // 寫入/更新資料庫
        $wpdb->query(
            $wpdb->prepare(
                "INSERT INTO {$table_name} (post_id, embedding) VALUES (%d, %s) ON DUPLICATE KEY UPDATE embedding = VALUES(embedding)",
                $post_id,
                $embedding_str
            )
        );
    }
}
?>

這段程式碼做了幾件事：監聽文章儲存事件、組合標題和內文、呼叫 OpenAI API 取得向量、最後把向量存到我們剛建立的資料表裡。記得把 `’你的_OPENAI_API_KEY’` 換成你自己的金鑰。

階段二：建立一個客製化 API 端點來接收搜尋請求

我們不能用 WordPress 預設的 `?s=keyword` 搜尋。我們需要一個自己的 API 端點，專門處理來自前端的 AI 搜尋請求。

一樣，把這段程式碼加到 `functions.php` 或自訂外掛中。

<?php
add_action('rest_api_init', function () {
    register_rest_route('my-ai-search/v1', '/search', [
        'methods'  => 'GET',
        'callback' => 'handle_ai_search_request',
        'permission_callback' => '__return_true' // 任何人都可以搜尋
    ]);
});

function handle_ai_search_request($request) {
    $query = sanitize_text_field($request['query']);
    if (empty($query)) {
        return new WP_Error('no_query', 'Missing search query', ['status' => 400]);
    }

    // 1. 將使用者的搜尋 query 也轉換成向量
    $api_key = '你的_OPENAI_API_KEY'; 
    $response = wp_remote_post('https://api.openai.com/v1/embeddings', [
        'headers'   => [
            'Content-Type'  => 'application/json',
            'Authorization' => 'Bearer ' . $api_key,
        ],
        'body'      => json_encode(['model' => 'text-embedding-3-small', 'input' => $query]),
    ]);

    if (is_wp_error($response)) {
        return new WP_Error('api_error', 'Failed to get embedding for query', ['status' => 500]);
    }

    $body = json_decode(wp_remote_retrieve_body($response), true);
    if (!isset($body['data'][0]['embedding'])) {
         return new WP_Error('api_error', 'Invalid API response', ['status' => 500]);
    }

    $query_embedding = $body['data'][0]['embedding'];
    $query_embedding_str = '[' . implode(',', $query_embedding) . ']';

    // 2. 在資料庫中執行向量搜尋 (核心！)
    global $wpdb;
    $table_name = $wpdb->prefix . 'post_embeddings';
    
    // 使用 COSINE_DISTANCE 函數計算距離，並找出最近的 5 篇文章
    // 這個函數需要你的資料庫支援向量運算
    $results = $wpdb->get_col(
        $wpdb->prepare(
            "SELECT post_id FROM {$table_name} ORDER BY embedding <=> %s LIMIT 5",
            $query_embedding_str
        )
    );

    if (empty($results)) {
        return [];
    }

    // 3. 根據 post_id 列表，取得完整的文章資訊並回傳
    $args = [
        'post_type'      => 'post', // 或任何你想要搜尋的文章類型
        'post__in'       => $results,
        'orderby'        => 'post__in', // 保持向量搜尋的排序
        'posts_per_page' => 5,
    ];
    $query = new WP_Query($args);

    $posts_data = [];
    if ($query->have_posts()) {
        while ($query->have_posts()) {
            $query->the_post();
            $posts_data[] = [
                'id'      => get_the_ID(),
                'title'   => get_the_title(),
                'link'    => get_permalink(),
                'excerpt' => get_the_excerpt(),
            ];
        }
        wp_reset_postdata();
    }

    return new WP_REST_Response($posts_data, 200);
}
?>

這段程式碼建立了一個 `/wp-json/my-ai-search/v1/search?query=你的查詢` 的 API。它會接收查詢、轉換成向量、然後在我們的客製化資料表中使用向量運算子 `<=>` (Cosine Distance) 來找出最接近的五個 `post_id`，最後再用 `WP_Query` 撈出這些文章的資料回傳。

階段三：前端整合

後端的大腦已經建好了，現在只需要讓前端的搜尋框跟它對話。這通常會用 JavaScript 的 `fetch` API 來完成。

你可以用 JavaScript 監聽搜尋輸入框的變化，然後發送請求到我們剛才建立的 API 端點，再把回傳的結果動態地顯示在頁面上。這部分比較偏前端，但核心邏輯就是呼叫 API 並渲染結果。

不只是搜尋：成本與未來擴展性考量

身為工程師，我們不能只求「會動就好」，還要考慮現實問題。

• 成本： OpenAI 的 Embedding API 是要收費的。雖然它比 GPT-4 便宜非常多，但如果你的網站有數萬篇文章，初次建立索引時會是一筆開銷。後續使用者每次搜尋也都會有一次 API call 的費用。
• 效能與擴展性： 當你的文章數量達到數十萬篇時，單純在 MySQL 中進行向量搜尋可能會開始變慢。這時候，就該考慮使用專門的向量資料庫服務，例如 Pinecone, Weaviate, 或是在支援 `pgvector` 的 PostgreSQL 上進行開發。這些是更進階的架構，但原理是相通的。

建立一個 AI 智慧官網，不只是安裝外掛那麼簡單。它是一項結合了後端邏輯、API 串接、資料庫設計，甚至前端互動的綜合工程。今天我們從最核心的「智慧搜尋」下手，你已經踏出了最關鍵的一步。這套邏輯不僅能用在搜尋，還能擴展到「相關文章推薦」、「智慧客服問答」等各種 AI 應用。

技術的世界日新月異，AI 正在以前所未有的速度改變我們與網站互動的方式。與其被動地等待外掛更新，不如親自動手，為你的網站打造真正獨一無二的智慧功能。

當然，如果你覺得這個過程太過複雜，或者你的業務需要更穩定、更具擴展性的企業級 AI 解決方案，浪花科技的團隊隨時準備好為你提供專業的協助。

---

延伸閱讀

• 你的 WordPress 網站是「真 AI」還是「裝 AI」？資深工程師手把手教你串接 OpenAI API，打造會思考的智慧大腦！
• WordPress 只能寫文章？錯！資深工程師手把手教你用 REST API 自訂端點，打造無頭應用超能力！
• 解鎖 WordPress 數據庫的鑰匙：WP_Query 終極指南，從入門到效能優化一篇搞定！

需要專業的 WordPress AI 整合服務嗎？

覺得今天的內容太硬核，或是想為你的企業網站導入更複雜的 AI 功能，例如 AI 智慧客服、個人化商品推薦、或是自動化內容產銷流程？歡迎聯繫浪花科技，我們的資深工程師團隊擁有豐富的 API 串接與 WordPress 客製化開發經驗，可以協助你打造真正「會思考」的智慧網站，讓你的數位資產發揮最大價值。