前情提要：昨天我們確立了要打造一個能計算防線缺口、看懂保單並模擬人生的 AI Financial Planner (first-policy)。
本日目標：釐清產品定位，探討為何市面上的工具不夠用，以及我們為何需要「AI + Python」雙引擎。

1. 為什麼我們需要「第三種選擇」？ (The Meat)

市面上有許多探討財務或人生的工具，但往往走向兩個極端：

1. 娛樂型人生遊戲（如 BitLife、大富翁）：好玩且有華麗 UI，但數值往往是隨機與簡化的，無法真實反映通膨、複利或台灣真實的健保與稅務環境。
2. 傳統真人顧問 / 門戶諮詢：精準，但可能帶有推銷保單的社交壓力，且需要交出極度隱私的個人財務數據。

我們的 first-policy 定位在兩者之間的第三種選擇：一個零壓力、隱私優先、具備嚴謹數值運算的文字對話沙盒。我們雖然沒有華麗的遊戲介面，但我們擁有最懂你的 AI 大腦與隨時根據你財務狀況生成的即時動態劇本。

為什麼不能只用 LLM？(The Engineering Rigor)

LLM（大語言模型）很會聊天，但它們有嚴重的「數字幻覺」。如果你問 LLM：「每年存 10 萬，投報率 7%，30 年後有多少錢？」它可能會自信地給出一個算錯的答案。在財務規劃中，這是致命傷。

因此，我們的架構將採取 AI 語意理解 + Python 數值引擎 的雙軌制。LLM 負責解析你的話語與保單條款，而任何牽涉到「加減乘除、複利、保費計算」的工作，全部交給 Python 處理。

2. 實作核心：建立精準的 Python 複利計算器 (Code Snippet)

為了證明 Python 引擎的必要性，我們今天先實作一個簡單但絕對精準的複利計算函數。請在昨天建立的資料夾中，新增一個 engines.py 並貼上以下程式碼：

# engines.py
def calculate_compound_interest(principal: float, annual_contribution: float, annual_rate: float, years: int) -> float:
    """
    精準計算複利，拒絕 LLM 數字幻覺
    :param principal: 初始本金
    :param annual_contribution: 每年持續投入金額
    :param annual_rate: 年化報酬率 (例如 0.07 代表 7%)
    :param years: 投資年限
    """
    total = principal
    for _ in range(years):
        # 假設每年年底投入
        total = total * (1 + annual_rate) + annual_contribution
    return round(total, 2)

if __name__ == "__main__":
    # 測試：本金 0，每年投 10 萬，年化 7%，持續 30 年
    result = calculate_compound_interest(0, 100000, 0.07, 30)
    print(f"30 年後的精準資產為: {result:,.0f} 元") 
    # 答案應該要是 9,446,079 元，你可以拿去問問 ChatGPT 看它會不會算錯。

3. 今日總結與明日預告

今天我們確立了「拒絕 LLM 通靈算數學」的工程底線，並完成了第一個 Python 數值引擎的雛形。這將是我們後續開發 /financial-check 與 /life-simulate 的重要基石。

思考題：你試著把 engines.py 裡的年化報酬率改成 0.05 和 0.07，看看 30 年後的差距有多大？這就是我們堅持被動投資大盤的原因。

明日預告：既然要打造人生模擬器，明天（Day 3）我們將定義「角色狀態 JSON Schema」，教 AI 如何建立一個 25 歲、月薪 7 萬、在竹科工作但充滿理財焦慮的典型台灣工程師！

• 🔗 專案 GitHub 倉庫：first-policy-ai