TL;DR

• 建立心態：更複雜的工具，需要更嚴謹的驗證流程。
• 學習如何「馴服隨機性」，將動態模擬暫時變為可預測的模型，以便驗證。
• 設計一個「必觸發」的測試案例，精準驗證「再平衡」的核心條件邏輯。
• 將 Day 8 的驗證法，升級應用到更複雜的場景中。

昨天，我們再次體驗了 Gemini 將複雜藍圖一鍵化為現實的魔力，並完成了股債平衡與再平衡模擬器的初步建構與微調。

但如同我們感受到的，這個工具的計算邏輯遠比退休金計算機複雜。它包含隨機性，每次模擬的結果都不同。那麼......我們該如何驗證一個動態、不可預測的系統呢？今天，我們的驗證思維，需要「核對最終答案」，升級為「檢驗遊戲規則」，確認 AI 是否真的理解並遵守了我們設定的市場模擬規則。

偵錯挑戰一：如何驗證看不見的「隨機性」？

驗證法：馴服隨機法（Taming the Randomness）

這是驗證動態模擬最強大的技巧。既然隨機性讓我們難以預測，那我們就先命令 AI 暫時移除隨機性，讓模型變回一個可預測的狀態。

【實戰演練】

1. 回到我們 Day 13 的 Canvas 專案。
2. 對 Gemini 下達一個這樣的指令：

為了方便我進行驗證，請你暫時修改這個模擬器的計算邏輯。請將「市場波動率」的影響設定為 0，也就是說，每一年股票和債券的實際報酬率，就等於我輸入的「預期年化報酬率」，不要有任何隨機波動。

當波動率被設為 0% 後，這個模擬器就退化成了一個單純的「複利計算機」。這時，我們就可以用 Day 8 的「特定值驗證法」，拿試算表或計算機來核對 AI 的基礎運算是否正確。這一步是為了確保在加入隨機性之前，工具的底層數學邏輯是正確的。
（這時看圖表，就是很平滑的兩條線。）

〈圓滑的圖表〉

3. 驗證完別忘了還原喔！

在確認基礎邏輯無誤後，我們要讓隨機性回來，才能進行下一步的測試。因此我們可以對著 Gemini 說出想要復原的指令：

我已經檢驗結束，請幫忙把「市場波動率」調回原狀吧。

過一下子就恢復原樣囉！當然，如果不放心的話，也可以點擊按鈕，看圖表有沒有顯示出隨機性。

核心挑戰二：如何驗證關鍵的「再平衡」邏輯？

「再平衡」是一個條件式的行為，只在特定情況下觸發。我們如何確保 AI 真的在「對的時間」做了「對的事」呢？

驗證法：「必觸發情境」設計法（Forced-Trigger Scenario）

我們要設計一個極端的場景，確保「再平衡」的條件在第一年就必定會被觸發，然後用計算機一步步手動驗算 AI 的行為是否正確。

【實戰測試案例】

1. 設定極端參數（請先確認波動率已設為 0）：
   • 初始金額：100 萬
   • 資產配置：股票 50% / 債券 50% （各 50 萬）
   • 模擬年期：1 年
   • 股票報酬率：+100% （直接翻倍）
   • 債券報酬率：0%
2. 手動推算「預期行為」：
   • 一年後，股票會從 50 萬變成 100 萬。
   • 債券維持 50 萬。
   • 總資產變為 150 萬。
   • 此時資產比例變為 股票 66.7% / 債券 33.3%，已嚴重偏離 50/50。
   • 一個正確的「再平衡」機制應該被觸發，系統會賣出股票、買入債券，將資產重新調回 股票 75 萬 / 債券 75 萬 的 50/50 比例。
3. 對照結果： 在我們的模擬器中輸入這組參數，選擇「每年底再平衡」，然後觀察最終的資產總額（應為 150 萬）。接著，我們可以用「AI 自我解釋法」請 AI 說明，它內部是如何進行資產的重新分配的，藉此驗證它的「再平衡」交易邏輯是否正確。

本日總結

今天我們學會了如何像一位專業的品保工程師一樣，透過「馴服隨機」和「設計極端案例」這兩種進階技巧，來驗證一個複雜的動態模擬器。

在確保了工具的可靠性後，明天我們將正式進入 AI 溝通術的世界，學習如何讓 AI 的產出，更具備我們的個人風格與專業度。