前言

前幾天已經完成 SubWise 的基礎建設：

• Day 03：部署 Flask Backend 到 Render
• Day 04：完成 LINE Webhook 串接
• Day 05：完成 Echo Bot 與 Command Router
• Day 06：建立 Google Cloud Service Account 與 Google Sheets 環境
• Day 07：完成 Google Sheets CRUD 資料層

到了今天，終於要開始加入整個 SubWise 最重要的核心能力——AI。今天的目標是讓 SubWise 不再只是「收到訊息 → 回覆訊息」的 LINE Bot，而是開始具備理解使用者語意的能力。

今天完成的內容不只是「API 有成功呼叫」，而是包含：安裝並確認 Gemini Python SDK、建立獨立的 Gemini 模組、製作 Interactive Chat 測試程式、建立 SubWise AI 身份與 System Prompt、驗證 AI 理解消費與訂閱情境、加入 API 錯誤處理並實際測試。也就是說，今天不只是「接上 Gemini」，而是開始建立真正屬於 SubWise 的 AI。

今日實作實錄

一、確認 Gemini SDK

啟用虛擬環境後，確認 google-genai 是否已經安裝：

pip show google-genai

成功看到 Name: google-genai 與版本號，代表 Gemini Python SDK 已經可以使用。

二、建立 Gemini Client

建立 gemini_client.py，負責處理 Gemini API：

import os
from dotenv import load_dotenv
from google import genai

load_dotenv()

client = genai.Client(
    api_key=os.getenv("GEMINI_API_KEY")
)

這裡的概念跟之前串接 Google Sheets 很像——不把 API Key 寫死在程式碼裡，而是從 .env 讀取 GEMINI_API_KEY，避免把金鑰直接寫進 GitHub。

三、第一次呼叫 Gemini API

建立呼叫函式：

def ask_gemini(prompt):
    response = client.models.generate_content(
        model="gemini-3.6-flash",
        contents=prompt
    )
    return response.text

執行 ask_gemini("請用一句話介紹 SubWise 是什麼。")，資料流變成：
Python → Gemini Client → Gemini API → AI 回覆

這是 SubWise 第一次真正擁有 AI 能力。

四、建立 Interactive Chat 測試工具

如果每次都要修改程式才能測試問題太麻煩，因此另外建立 test_gemini.py，做成簡單的互動式聊天介面，可以連續輸入問題直到輸入 exit 才結束，讓 Prompt 測試變得非常方便。

五、建立 SubWise 的 AI 身份

單純串接 Gemini 還不夠，因為 Gemini 本身是通用型 AI，不會自動知道自己是 SubWise。因此加入 System Prompt：

SYSTEM_PROMPT = """
你是 SubWise，一個 AI 智慧記帳與訂閱管理管家。

你的主要工作是協助使用者：
1. 管理日常消費
2. 分析消費類別
3. 管理訂閱服務
4. 提醒即將發生的訂閱扣款
5. 提供簡單、實用的財務管理建議
"""

再把 Prompt 和使用者問題一起送給 Gemini：

response = client.models.generate_content(
    model="gemini-3.6-flash",
    contents=f"{SYSTEM_PROMPT}\n\n使用者問題：{prompt}"
)

這樣 Gemini 就開始知道「我是 SubWise」，是今天很重要的一個轉變。

六、加入 SubWise 的行為規則

除了身份之外，也加入了基本規則：使用繁體中文回答、回覆簡潔容易理解、協助判斷消費類別、優先判斷 Netflix / Spotify / ChatGPT 等服務是否屬於訂閱、不自行捏造使用者沒有提供的資訊、資訊不足時主動詢問。這些規則看起來簡單，但實際測試後效果很明顯。

七、測試 SubWise AI 的理解能力

完成 System Prompt 後，實際測試四種情境：

• 身份測試：輸入「你是誰？」，Gemini 成功回答「我是 SubWise，你的 AI 智慧記帳與訂閱管理管家」，代表 System Prompt 已經生效。
• 記帳情境理解：輸入「我今天午餐花了120元」，Gemini 能理解拆解成日期、項目、金額、類別，而這整個過程完全沒有寫 if "午餐" in text 這種規則式判斷，是 AI 自己理解自然語言的結果，這正是之後「AI 自動記帳」的基礎。
• 訂閱服務辨識：輸入「Netflix 算什麼？」，Gemini 能判斷這是訂閱服務、娛樂、數位串流，還會進一步詢問扣款金額、日期、週期，符合未來訂閱管理的方向。
• 資訊不足時主動詢問：輸入「我今天花了120元」（沒說花在哪），AI 沒有亂猜是午餐，而是反問「這筆錢是用在哪裡呢？」，這正是 Prompt 裡「不要自行捏造使用者沒有提供的消費資訊」發揮作用的結果，對未來真正自動記帳非常重要。

SubWise 不只是回答問題，還能理解消費情境、判斷訂閱服務，甚至在資訊不足時主動反問——這些行為完全是靠 Prompt 設計出來的，沒有寫任何一行 if-else 判斷式：

八、加入 API 錯誤處理並實際測試

把 API 呼叫包進 try/except，讓 SubWise 遇到 API 問題時不會直接噴出一大串 Python Traceback：

def ask_gemini(prompt):
    try:
        response = client.models.generate_content(
            model="gemini-3.6-flash",
            contents=f"{SYSTEM_PROMPT}\n\n使用者問題：{prompt}"
        )
        return response.text
    except Exception as e:
        print(f"❌ Gemini API 發生錯誤：{e}")
        return (
            "⚠️ SubWise AI 暫時無法回應。\n\n"
            "可能原因：\n"
            "• Gemini API 額度不足\n"
            "• 網路連線異常\n"
            "• AI 服務暫時忙碌\n\n"
            "請稍後再試。"
        )

為了確認錯誤處理真的有效，故意把模型名稱改成 gemini-invalid-test-model 再執行測試。API 確實回傳 404 NOT_FOUND，但這次 Python 沒有直接崩潰，而是顯示了設計好的友善提示訊息。這次驗證也讓我確認：錯誤處理不是「寫了就算完成」，而是真的要故意製造錯誤測試看看。

故意讓程式出錯，確認即使 Gemini API 發生問題，SubWise 也不會直接崩潰，而是給使用者看得懂的提示：

今天踩到的坑

1.429 RESOURCE_EXHAUSTED（API 配額不足）
第一次正式串接 Gemini 時，API 回傳 429 RESOURCE_EXHAUSTED，錯誤訊息顯示已超過目前的配額限制。這次踩坑讓我發現：API 串接成功不代表永遠都能正常使用，實際開發還需要考慮 API 配額、RPM/TPM 限制、模型可用性、API Key 正確性、網路狀態等因素，這也讓「錯誤處理」變得非常重要。

2.404 NOT_FOUND（模型不存在）
後續確認模型設定時又遇到 404 NOT_FOUND，原因是當時使用的模型名稱無法提供給目前的 API 使用，最後改成測試成功的 gemini-3.6-flash 才解決。這也提醒我：不要看到網路文章上的模型名稱就直接複製，AI SDK 與模型版本都可能持續更新，實際使用時應該確認目前 API 所支援的模型。

3.API 錯誤不能直接丟給使用者
真正的產品需要把底層 API 錯誤轉換成使用者看得懂的訊息，這也是加入 try/except 錯誤處理的原因。

今日成果整理

• 安裝並確認 Gemini Python SDK
• 建立 Gemini API Client（gemini_client.py）
• 第一次成功呼叫 Gemini API
• 建立 Interactive Chat 測試工具
• 建立 SubWise AI 身份與 System Prompt
• 加入行為規則，驗證記帳情境與訂閱辨識理解
• 加入 API 錯誤處理並故意測試驗證
• Git Commit / GitHub Push

今天最大的成果不是「成功叫 AI 回答問題」，而是 SubWise 開始從一個普通的 LINE Bot，逐漸變成真正的 AI Agent：
使用者 → SubWise AI Layer → Gemini API → AI 理解使用者語意

而前幾天完成的 Google Sheets，也在另一端準備好了：
LINE Bot → SubWise AI → Google Sheets

接下來真正的挑戰，就是把這兩個部分接起來。

明日預告

Day09 我會嘗試讓 Gemini 將「我今天午餐花了 120 元」這樣的自然語言，轉換成程式可以直接使用的結構化資料：
自然語言 → Gemini → 固定 JSON → Python → Google Sheets

這會是 SubWise 從「會聊天的 AI」進化成「真的可以幫我記帳的 AI」的重要一步。Day 08 完成，下一站，讓 AI 開始真正理解資料。我們明天見！