看到朋友用LLM 製作了很厲害的互動功能，讓人覺得超級興奮啊！

在這樣的心情驅使下，就簡單的做了些功課：

好的，我把「AnRB」換成「專案」來重寫五百字總結：

我們討論了一個你想開發的 專案 CLI 工具，它的目標是將需求丟入流程，經過 需求分析 → 規格產生 → 測試生成 → 程式碼草稿 → PR → 部署 的自動化管線，並且在關鍵點由人類審查。

在架構上，我們先確認了 哪些地方需要 AI：

Embedding AI（如 OpenAI embedding 或本地 embedding 模型）：用來建立與查詢程式碼索引（RAG，檢索增強生成）。

LLM（如 GPT、Claude、Gemini、Ollama）：用來生成規格文件、測試、程式碼草稿。

不需要 AI 的部分：掃描檔案、Git 操作、PR 發佈、部署。

我們釐清了 init 的角色：掃描專案、切碎程式碼、建立向量索引（必須用 embedding 模型），可選擇讓 LLM 產生專案摘要。後續的 spec/test/code 指令則會使用 RAG 抓相關程式碼，再交給 LLM 生成對應輸出。

在 AI 工具選擇上，我建議 MVP 階段用 OpenAI（因為同時提供 embedding + 生成），但也可以用免費選項如 Gemini（長上下文）、或本地 Ollama + Llama3（免 API Key）。專案的架構上可以做成「Provider 插槽」，讓使用者在 config.json 切換不同模型（OpenAI、Claude、Gemini、Ollama）。

針對 本地模型的優化，我們談到三層方法：

1. RAG + Prompt Template：用外部索引與固定模板讓輸出穩

好的，我把「AnRB」換成「專案」來重寫五百字總結：

我們討論了一個你想開發的 專案 CLI 工具，它的目標是將需求丟入流程，經過 需求分析 → 規格產生 → 測試生成 → 程式碼草稿 → PR → 部署 的自動化管線，並且在關鍵點由人類審查。

在架構上，我們先確認了 哪些地方需要 AI：

Embedding AI（如 OpenAI embedding 或本地 embedding 模型）：用來建立與查詢程式碼索引（RAG，檢索增強生成）。

LLM（如 GPT、Claude、Gemini、Ollama）：用來生成規格文件、測試、程式碼草稿。

不需要 AI 的部分：掃描檔案、Git 操作、PR 發佈、部署。

我們釐清了 init 的角色：掃描專案、切碎程式碼、建立向量索引（必須用 embedding 模型），可選擇讓 LLM 產生專案摘要。後續的 spec/test/code 指令則會使用 RAG 抓相關程式碼，再交給 LLM 生成對應輸出。

在 AI 工具選擇上，我建議 MVP 階段用 OpenAI（因為同時提供 embedding + 生成），但也可以用免費選項如 Gemini（長上下文）、或本地 Ollama + Llama3（免 API Key）。專案的架構上可以做成「Provider 插槽」，讓使用者在 config.json 切換不同模型（OpenAI、Claude、Gemini、Ollama）。

針對 本地模型的優化，我們談到三層方法：

1. RAG + Prompt Template：用外部索引與固定模板讓輸出穩