HI！大家好，我是 Shammi 😊

在經過前 13 天的努力，我已經從一個單純的技術構想，將它實現成一個能夠運作、能夠與人對話的 Web 應用程式。

今天回顧我在第一階段（Day 1-13）所完成的部份，並對機器人原型進行一次全面的檢視。

🌐 一、成果展示：RAG 機器人原型的核心功能

在 Web 介面上，我的「阿米」機器人已經具備了以下核心功能：

👉 知識檢索與生成：阿米能夠成功讀取 PDF 檔案，並針對使用者的問題，從中找到最相關的資訊進行回覆。

👉 具備記憶的對話能力：透過 st.session_state，阿米不再只是一個單次問答的機器，它能夠記住先前的對話，讓使用者體驗更流暢。

👉 溫暖的角色個性：透過精緻的 Prompt Engineering，阿米能夠用純真、親切的口吻與使用者互動，而不僅僅是冷冰冰的資訊傳達。

👉 原型應用部署：我成功將整個專案部署到 Streamlit Web 介面，在運作的過程中，可以透過公開的網址，向任何人展示成果。

🌐 二、心得分享：如何面對與解決挑戰？

雖然此專案的開發並非一帆風順，我在實際開發的過程中也遇到不少問題與挑戰。回顧這些挑戰並且解決，正是我的寶貴經驗：

1️⃣ 檢索失敗的痛點

👉 挑戰：機器人有時會回答「找不到資料」，即使相關內容就在 PDF 中。

👉 解決方案：我在 Day 11 的除錯中發現，這可能是因為 PDF 內容的稀疏性。我調整了文字切割的邏輯，並在 Prompt 中加入了「推斷意圖」的指令，成功提升了檢索的準確性。

2️⃣ Streamlit 部署的困境

👉 挑戰：在 Colab 中運行 Streamlit 網頁，遇到了 localtunnel 密碼問題，以及 google.colab 套件無法在 app.py 中運作的錯誤。

👉 解決方案：我最終使用更穩定的 cloudflared 替代方案，並將 API 金鑰的處理方式從直接讀取，改為通過環境變數傳遞，成功地解決了這些技術難題。

3️⃣ 單次問答到多輪對話的升級

👉 挑戰：如何讓機器人記住上下文，實現更自然的對話？

👉 解決方案：我在 Day 13 引入了 st.session_state 和 st.chat_message，將對話歷史儲存並傳遞給 LLM，讓我們的機器人從一個「問答機」變成了「對話機器人」。

總結：邁向更廣闊的世界

第一階段扎扎實實的完成此專案的核心基礎。接著此次挑戰的目標不再只是建構一個原型，而是將它推向更廣大的受眾。接下來的篇章中，我將進入第二階段：部署實戰。將這個已經成熟的 Web 機器人，帶到我們最熟悉的通訊軟體上：LINE 和 Telegram。

從 Day 15 開始，我會一步步串接這些平台的 API，讓 AI 對話機器人能夠真正地服務每一個人。