🔥 前言：三十天的奇幻旅程終於抵達終點！

各位關注我奮鬥史讀者們，大家好！今天是我這趟「打造 M2A Agent」鐵人賽冒險的最後一天。回想起 Day 1 立下宏願的那個我，到現在能夠端出一個完整專案，心情真的既激動又充滿感謝。

這三十天是一段關於學習、犯錯、修正再前進的完整紀錄，我將在這篇最終章呈現我的專案總結、技術報告、開發心得！

🚀 專案總回顧：從一個點子到一個實踐

回顧這三十天，就像一場緊湊而精彩的電影，每一天都有新的挑戰與突破。

最初的起心動念：為何打造 M2A Agent？

身為一位學生，開會、討論、腦力激盪是家常便飯。但最心累的是，開完會後的紀錄整理與任務指派總是耗費大量心力，錄音檔聽了又聽，重點散落各處，待辦事項常常石沉大海。

於是，一個念頭油然而生：「我能不能打造一個專屬的 AI 助理，能自動將會議錄音（Meeting）轉換成可執行的行動（Action）？」

這，就是 M2A Agent 的誕生初衷。我希望它能成為一個聰明、可靠、自動化的好夥伴，將我們從繁瑣的會後整理工作中釋放出來！

三十天的開發之旅回顧

• Week 1（Day 1-10）：從零到一的奠基期
  從最初的靈感發想，到定義專案目標——「打造一個能自動化會議記錄的 AI 助理」，到技術選型，我選擇了強大的自動化流程工具 n8n 作為核心，並搭配 Whisper 進行語音轉錄。這十天，我搭建了專案的骨架，完成了「語音轉文字」、「內容摘要」、「寫入 Notion」、「Line Bot 通知」等基礎節點，為後續的開發打下穩固的基礎。
• Week 2（Day 11-20）：核心功能的靈魂注入
  進入第二週，我開始為 M2A Agent 注入靈魂，專注在設計 Prompt Engineering，引導大型語言模型（LLM）從逐字稿中提取「會議重點」、「待辦事項」與「關鍵決策」。這個階段的挑戰在於如何讓 AI 的產出既精準又符合我的格式要求，透過不斷的測試與最佳化，Agent 的核心功能逐漸成形。
• Week 3（Day 21-29）：從後端到前端的完整體
  有了強大的後端邏輯後，我利用 Gradio 為 M2A Agent 穿上了友善的使用者介面，讓使用者可以輕鬆上傳音檔，並一目了然地看到處理結果。同時我也持續進行系統的最佳化與錯誤處理，讓整個流程更加穩定

M2A Agent 核心架構與工作流程

經過三十天的迭代，我的 M2A Agent 建立了一套完整的自動化處理流程，整個系統的核心可以用下面的流程來概括

使用者上傳音檔  
→ 「Gradio 前端介面」接收  
→ 「Whisper 語音轉錄模組」轉換為逐字稿  
→ 「大型語言模型（LLM）核心」分析（生成摘要、待辦事項、參與夥伴、期限時間）  
→ 「自動化任務分派模組」透過 Line、Gmail發送通知  
→ 「Notion 資料庫整合模組」歸檔所有成果

這個流程串連了前端互動、後端處理、AI 分析、外部通知到資料庫儲存，形成一個閉環（Closed-loop）系統。

🛠️ 技術報告與開發感想

我的技術棧（Technology Stack）

在這趟旅程中，我使用了多種工具與技術來打造 M2A Agent，它們各自扮演了不可或缺的角色：

• 開發語言： Python — 作為 AI 與後端開發的首選，語法簡潔且生態系強大。
• 使用者介面： Gradio — 能夠快速將 Python 程式打包成互動式網頁應用，非常適合原型開發與內部工具。
• 語音轉錄： OpenAI Whisper — 擁有驚人的轉錄準確度，是我們將語音資訊化的第一功臣。
• AI 大腦核心： Qwen2.5-Taiwan-7B-Instruct-i1 — 透過 LM Studio 將大型語言模型（LLM） Qwen2.5 模型部署在本機，確保了資料的隱私性與客製化彈性。
• 容器化技術： Docker — 將複雜的開發環境打包成一個標準化的容器，實現了「一鍵啟動」的想法，大幅簡化了部署流程。
• 資料庫與整合： Notion API 、 Gmail API 與 Line Messaging API — 讓 M2A Agent 的產出能無縫接軌我現有的工作流，將資訊自動歸檔與通知。
• 日誌監控系統： Grafana、Loki、Promtail — 建立了集中式的日誌監控系統。透過 Promtail 自動收集容器日誌、Loki 儲存索引，並在 Grafana 上實現統一的視覺化監控與查詢，大幅提升了系統的可觀測性與除錯效率。

我爬過的那些山：挑戰與學習

開發過程當然不是一帆風順，我也遇到了不少「坑」

1. 漫長的等待與逾時（Timeout）：音檔轉錄與 LLM 推理都需要時間。一開始，Gradio 介面常常因為後端處理太久而逾時。因此我研究了非同步（Asynchronous）處理與任務佇列（Task Queue） 的概念，將長時間執行的任務丟到背景處理，再回報結果給前端。
2. Prompt Engineering 的藝術：要讓 LLM 穩定輸出我想要的 JSON 格式（摘要、待辦事項）等，著實花了不少功夫。從一開始的簡單指令，到後來採用少樣本學習（Few-shot Learning） 給予範例、明確定義輸出格式，才終於讓它變得比較「聽話」。
3. Docker 環境的愛恨情仇：雖然 Docker 很美好，但要將包含多種 Python 依賴的複雜環境打包，還是踩了不少雷。從基礎映像檔（Base Image）的選擇、多階段建構（Multi-stage Build）的最佳化，到磁碟區掛載（Volume Mounting）的路徑問題，每一步都是學習。
4. 資安與權限管理：串接 Notion API 、 Line Messaging api 與 Gmail API 時，如何安全地儲存與管理 API Keys 與 Secrets 是一個問題，因此我採用了環境變數 .env 檔案的方式來管理這些敏感資訊，避免將它們寫死在程式碼中。

🎬 成果展示

紙上談兵終覺淺，絕知此事要躬行！以下我將用文字來展示我這 30 天打造的「M2A Agent 會議處理平台」功能

M2A Agent 會議處理平台介面主要分為兩大功能頁籤：「新會議處理」與「歷史會議記錄」。

新會議處理

在「新會議處理」頁面中，使用者只需要透過拖曳或點擊，即可上傳 MP3、WAV 或 M4A 格式的會議音檔。上傳後系統會自動啟動背後的處理流程，將錄音檔在幾分鐘內變成一份條理分明、任務明確的 Notion 報告，同時發送 Line 與 Gmail 的通知。

歷史會議記錄

而在「歷史會議記錄」頁面，則顯示了所有過往的處理紀錄，使用者可以一覽所有會議的處理時間、專案名稱、會議類型等資訊，還能透過上方的欄位進行篩選查詢，快速找到特定會議處理紀錄。而且每一筆紀錄都可以匯出成 Markdown 或 CSV 檔案進行備份、歸檔或匯入其他專案管理工具，此頁面也整合了「會議助理」，讓使用者能隨時與 AI 針對某一筆歷史會議的內容進行提問，讓 AI 協助快速回憶會議細節！

🧐 M2A 的挑戰與未竟之業

儘管 M2A Agent 目前已具備一個可運作的雛形，但在這次的開發過程中，依然存在幾項關鍵的挑戰需要克服，這些不僅是當前的技術瓶頸，更是指引未來強化方向的重要指標：

• 中文時間表達的辨識挑戰
  最大的問題之一，就是中文時間表達的辨識度仍有待加強。中文裡描述時間的方式千變萬化，例如「下下個月的最後一個星期五」、「兩週後的星期一上午十點」、「三個工作天內」，甚至是模糊的「等等」、「馬上」。目前的模型雖然能處理大部分比較清楚的說法，但是面對這些複雜且口語化的表達時，準確率仍不夠理想，這需要更大量的標註資料或更先進的語意理解模型來持續強化。
• 會議參與者辨識的困境
  另一個核心困難點是參與夥伴的辨識度。由於 Whisper 轉錄後的文字，在處理人名時常常出現同音異字的錯誤（例如「GIGI」可能被轉錄成「Gege」、「吉吉」或「奇奇」），這導致後續的 LLM 難以準確地將待辦事項指派給正確的成員。若要解決此問題，未來可能需導入語者分離（Speaker Diarization） 技術，先區分不同發言者，再進行語音轉錄，才能有效提升辨識率。

🔮 總結與未來展望

三十天的蛻變與成長

這三十天，我不只完成了一個專案，我還系統性地走過了一個軟體產品從 0 到 1 的完整生命週期。從需求發想、技術選型、架構設計、程式開發、功能測試等，一直到最後的最佳化與部署。

這段經歷讓我認識到 n8n、OpenAI Whisper、LM Studio、Qwen2.5-Taiwan-7B-Instruct-i1、RAG、Prompt Engineering、Notion API、Gmail API、Line Messaging API、Gradio、Docker 等好用的工具、模型及相關的技術，也讓我對打造一個能解決實際問題的工具有了更深入的了解。每天的紀錄與分享，也使我不斷學習 AI Agent 的相關知識，這些都是寶貴的收穫。

M2A Agent 的未來想法？

這次的鐵人賽是個起點，而不是終點，我對於 M2A Agent 還有很多想像，像是

• 支援更多輸入來源：除了上傳音檔，未來希望能直接貼上 YouTube 連結或串流直播。
• 更智慧的任務分派：結合過去的會議紀錄，自動建議最適合的任務負責人。
• 支援英文語言：不僅僅能聽懂中文，還要能聽懂英文語言的會議。

❤️ 三十天的開發心得

終於完成了三十天的挑戰，在這過程中我學習到非常多的設計技巧與知識，這令我感到非常充實。

我遇到最大的困難就是在 Day 16 ，那時輸出的結果不合我的意，我持續地修改花了我非常多的時間，因此我學到最重要的事就是勇敢地進行「重構」，果斷地將它拆分成更小、更專業的模組，雖然進行重構前非常的痛苦，但以長遠來看，這樣做的好處可為專案帶來極佳的穩定性與可維護性。

這次的開發也讓我再次體會到開源（Open Source） 社群的強大力量，從 Whisper、n8n、Docker 到 Grafana，這些工具不僅免費，更是讓我有機會站在巨人的肩膀上，實現自己的想法。

這三十天 M2A Agent 已經從一個想法，變成一個基礎，未來若有機會我會持續強化它，讓它變得更聰明、更貼心。

感謝一路上關注我文章的讀者們，謝謝大家！🎉