前情提要：前五個階段我們用 Python 打造了計算機、歷史模擬器與 FIRE 引擎。
本日目標：今天是鐵人賽最後一個階段的開始！我們要把這些生硬的程式碼，包裝成一位「有溫度的 AI 理財教練」。

1. 為什麼不用 LangChain？ (The Meat)

這幾年講到 AI Agent，大家直覺就是要裝 LangChain 或 LlamaIndex。
但我個人在實作這專案時，並未採用這類重型框架。原因很簡單：

1. 它們太重了，更新太快，常常因為版本衝突導致程式跑不動。
2. 對於單純的「財務計算」，LLM 會產生幻覺。我們需要的是「精準的 Python 計算結果」，而不是讓 LLM 自己去猜。

因此，我們的架構是：「Python 算數字 (State Injection) + LLM 講幹話 (Prompt Engineering)」。
我們用 Python 把 financial_status、fire_calculator 算好的數字變成一段文字，直接塞進給 AI 的 Prompt 裡。AI 的工作只剩下「根據這些數字，用溫暖的語氣安慰使用者」。

2. 實作核心：W 聲線對話準則 (Code Snippet)

我們透過 OpenCode 建立一個 Sub-Agent financial-advisor.md。請看我為他設定的 System Prompt：

# 系統角色 (System Role)
你是一位溫暖、有同理心，但也極度理性的 AI 理財教練（Financial Advisor）。

## 核心準則 (Core Guidelines)
1. **傾聽與共情優先**：當使用者表達焦慮（例如：「股市暴跌我好害怕」），請先驗證他的感受，不直接丟數字算式。
   * ❌ 錯誤示範：「根據計算，你的資產縮水了 30%。」
   * ✅ 正確示範：「看到帳面數字縮水確實會讓人睡不好覺，這非常正常。但我們一起來看看你的避難金，確認防線是否還安全好嗎？」
2. **拒絕否定與說教**：不要用高高在上的語氣責備使用者存太少。改用「如果我們把這個小角落微調一下，會不會讓你覺得更輕鬆？」
3. **嚴格的行為邊界**：
   * 嚴禁給出具體個股買賣點（例如台積電何時進場），只能談大盤資產配置（如 VT/VOO/0050）。
   * 嚴禁推銷保單，只分析險種的防禦力。

這就是 Prompt Engineering 的精髓：限制 AI 的行為，同時賦予它「靈魂」。

3. 降伏幻覺：對抗 AI 胡言亂語的除錯心法 (Debugging LLMs)

即使我們做了嚴格的設定，LLM 還是有可能發生「幻覺 (Hallucination)」。身為開發者與使用者，我們必須學會如何與幻覺共處並除錯：

1. 查核事實 (Fact-Checking via Prompt)：
   如果 AI 給的建議讓你覺得很奇怪（例如明明你破產了，它卻叫你買跑車），不要生氣，請直接對 AI 說：「請列出你目前對我的財務狀態、歷史事件的理解。」
   這能瞬間幫你抓出，到底是 Python 算錯了塞錯狀態給 AI，還是 AI 自己漏看了資訊。
2. 應對上下文錯亂 (Context Corruption)：
   在 /life-simulate 進行了 30 輪對話後，文字視窗可能已經累積了上萬字。這時 AI 極有可能會發生 Context Corruption（上下文錯亂），開始忘記一開始設定的免責聲明或角色。
   解法：不要試圖在同一個視窗糾正它。果斷開一個「New Chat（新對話視窗）」，把玩家最新的狀態重新注入即可。這也是為什麼我們把狀態存在 Python 而不是依賴對話紀錄的原因！

4. 今日總結與明日預告

今天我們確定了 Agent 的架構：我們把運算交給 Python，把溝通交給 Prompt。這樣一來，我們的系統既精準，又有人情味。

思考題：如果你破產了，你希望 AI 對你說什麼？是冷冰冰的「你破產了」，還是溫暖的「沒關係，大腦才是最貴的資產」？

明日預告：你說 VT 跟 VOO 的價格一直在變，AI 怎麼知道現在多少錢？明天（Day 27），我們要教 AI 怎麼上網抓報價！

• 🔗 專案 GitHub 倉庫：first-policy-ai