前情提要：昨天我們建立了一個精準的 Python 複利計算器，確立了「AI 語意 + Python 運算」的雙引擎架構。
本日目標：為我們的 /life-simulate (人生模擬器) 建立「主角」，學習如何用 JSON Schema 定義一個帶有財務狀態與故事背景的典型台灣年輕人。

1. 為什麼要用 JSON 定義角色？ (The Architecture)

在開發 AI 應用的過程中，最怕 AI 把數據跟故事混在一起。如果我們只給 AI 一段文字描述：「Alex 是個 28 歲的新竹工程師，月薪七萬五...」，當下一次我們需要把薪水扣除保費時，AI 很容易算錯。

正確的做法是：敘事與邏輯解耦 (Decoupling)。

我們用標準的 JSON Schema 來儲存角色的「硬數據」（資產、負債、年紀），這樣 Python 狀態機隨時可以精準讀取與修改；同時，我們在 JSON 裡保留一個 narrative_background 欄位，讓 LLM 能夠根據這個背景，用帶有溫度的語氣跟使用者對話。

這就是所謂的「可程式化的世界觀」。

2. 實作核心：建立台灣典型理財畫像 JSON (Code Snippet)

為了讓模擬器夠真實，我歸納了幾個台灣 25-35 歲年輕人的典型痛點：高房價焦慮、高工時健康疑慮、不知如何投資。

請在專案資料夾中建立 schemas/ 目錄，並新增 persona_alex.json 檔案。你可以直接 Copy-Paste 下面的代碼，這就是我們遊戲的第一個預設主角。

// schemas/persona_alex.json
{
  "persona_id": "tw_tech_engineer_28",
  "name": "陳明宇 (Alex)",
  "age": 28,
  "location": "新竹市",
  "occupation": "知名科技大廠軟體工程師",
  "monthly_income": 75000,
  "monthly_expenses": 42000,
  "financial_anxiety_tags": ["房價太高買不起", "長期加班擔心健康", "不知如何選 ETF"],
  "initial_assets": {
    "cash": 250000,
    "investments": 100000,
    "debts": 0
  },
  "insurance_coverage": {
    "has_labor_insurance": true,
    "has_commercial_health": true,
    "policy_type": "終身醫療險 (年繳4.5萬，保額偏低)"
  },
  "narrative_background": "明宇出社會 4 年，薪水優渥但生活節奏極快。出社會第一年聽親戚介紹買了高額終身險，每月扣完保費與房租後，發現手邊能用的流動資金所剩無幾，對未來的投資規劃充滿茫然..."
}

這個 JSON 檔案，未來將會在使用者觸發 /life-simulate 時，作為狀態機的初始狀態 (Initial State) 載入。

3. 今日總結與明日預告

今天我們透過 JSON Schema，把一個活生生、充滿焦慮的新竹工程師「數位化」了。有了角色，接下來我們需要給他一個舞台。

思考題：如果把上面的 JSON 改寫成你自己的狀態，你的 financial_anxiety_tags（理財焦慮標籤）會填什麼？

明日預告：明天（Day 4），我們將畫出這個角色從 22 歲到 60 歲退休的「人生主線狀態機 (FSM)」，並標出每個階段最重要的「保險決策點」！

• 🔗 專案 GitHub 倉庫：first-policy-ai