一、系統架構

核心流程：

• 前端 (Streamlit)：作為使用者介面，接收提問。

• Gemini 模型 (核心)：處理提問，並根據指令決定下一步。

• Function Calling (決策層)：負責串接外部服務。當判斷為景點查詢時，呼叫 Google Maps API。當判斷為特定知識查詢時，呼叫 RAG (FAISS 知識庫)。

• LoRA 微調 (優化層)：Gemma 模型透過 LoRA 學習專屬知識，確保了回答的精準度與專業性。

環環相扣的架構，確保了 AI 導遊能同時具備即時資訊和專屬知識。

二、關鍵技術決策回顧

1. 選擇 LoRA 微調：解決了 Gemma 模型缺乏專屬知識的問題，同時保持了訓練的低成本與高效率。

2. 結合 RAG 與 Function Calling：RAG 負責查詢靜態的本地知識，Function Calling 負責獲取即時的外部資訊。這兩者的結合，讓 AI 的知識庫是動態且全面的。

三、專案突破點

最大突破在於成功地將複雜的 AI Agent 工作流整合到了單一的 Streamlit 應用程式中。展示了如何將多項 AI 技術（微調、檢索、工具使用）串聯起來，解決一個實際的旅遊應用場景。