「最好的 AI Agent 不是固定不變的系統，而是在每一次與使用者的對話中，自動汲取經驗並寫回知識庫、自我進化的系統。」

在 Day 06 中，我們介紹了 SQLite 持久化長效記憶（conversation_memory.py）。今天我們將深入探討 AI 核心架構的最後一塊拼圖——背景自動學習模組 app/services/learning_module.py。

為了不增加使用者的等待時間，Angelina AI Agent 採用了 Non-blocking 架構：對話回應生成後立即交付給前端，隨後在背景觸發 LearningModule，透過 Gemini API 提煉該輪對話中的金融知識點，經由 ChromaDB Deduplication 後，自動存入向量知識庫中。

本篇重點摘要

1. 為什麼學習模組必須採用背景無阻塞（Non-blocking）設計呢？
2. 拆解 _EXTRACTION_SYSTEM_PROMPT 金融知識抽取規格與 JSON 格式化解析。
3. 實作 ChromaDB 語意去重機制 (DEDUP_SIMILARITY_THRESHOLD = 0.85) 與 Fail-open 設計。
4. 解析累積 50 筆新知識點自動觸發 RAG 索引重建 (REBUILD_THRESHOLD = 50) 的cycle。

一、背景學習模組架構與設計理念

傳統的知識庫更新通常需要人工手動匯入檔案，而 LearningModule 實現了對話即學習（Conversation-driven Learning）：
1. 非阻塞式背景任務：透過 asyncio.create_task(_learning_module.extract_and_store(...)) 觸發，完全獨立於 API 響應流程外執行。
2. Silent Error Handling：背景任務若遇到網路波動或解析失敗，僅記錄結構化日誌（log.error），絕不干擾或崩潰主應用程式。
3. 領域聚焦萃取：限定僅萃取「投資策略、稅務規則、預算原則、風險管理指引與市場數據」等五大金融領域知識點。

二、app/services/learning_module.py 核心原始碼解析

1. 金融知識點萃取與 JSON 格式解析 (_extract_knowledge_points)
   我們透過動態 Prompt 要求 Gemini 分析對話內容，並嚴格輸出 JSON 陣列格式：

Python
async def _extract_knowledge_points(self, turn: Turn) -> list[dict]:
    """呼叫 Gemini API 識別對話中的金融知識點"""
    try:
        response = await self._gemini_gateway.generate(
            system_prompt=_EXTRACTION_SYSTEM_PROMPT,
            context_turns=[],
            knowledge_chunks=[],
            user_message=turn.content,
            language="en",  # 使用英文 Prompt 保持 extraction 指令穩定度
        )
        return self._parse_extraction_response(response.text, turn)
    except Exception as exc:
        log.warning("Knowledge extraction Gemini call failed", error=str(exc))
        return []

2. ChromaDB 語意去重機制 (_is_duplicate)
   為了避免資料庫充斥重複或高度相似的敘述，提取出知識點後，系統會先對 ChromaDB 發起 top_k=1 的語意搜尋。

   若最大相似度得分大於等於 0.85（DEDUP_SIMILARITY_THRESHOLD），則認定該知識點已存在並自動過濾；若比對過程中發生異常，則採 Fail-open 策略（允許寫入），優先保證知識不遺漏：

Python
DEDUP_SIMILARITY_THRESHOLD = 0.85

async def _is_duplicate(self, text: str) -> bool:
    """檢查知識點是否與 ChromaDB 既有內容重複 (相似度 >= 0.85)"""
    try:
        results = await self._rag_engine.search(query=text, top_k=1)
        if not results:
            return False

        max_similarity = results[0].similarity
        return max_similarity >= DEDUP_SIMILARITY_THRESHOLD
    except Exception as exc:
        log.warning("Deduplication check failed, allowing write", error=str(exc))
        # Fail-open 策略：發生異常時仍允許寫入，避免阻斷學習
        return False

3. 自動累積與索引重建觸發 (_trigger_rebuild)
   當背景學習累積新增的新知識點達到 50 筆（REBUILD_THRESHOLD = 50） 時，LearningModule 會自動尋找 data/notebooklm 底下最新的 Export 檔案，並自動調用 RAGEngine.rebuild_index() 進行向量庫重新整合與重構：

Python
REBUILD_THRESHOLD = 50

async def extract_and_store(self, turn: Turn, session_id: str) -> None:
    # 1. 提煉知識點...
    # 2. 去重並批次新增新 Chunk...
    if new_chunks:
        await self._rag_engine.add_chunks(new_chunks)
        added_count = len(new_chunks)
        self._new_points_since_rebuild += added_count

        # 3. 累積滿 50 筆，自動觸發向量索引重構
        if self._new_points_since_rebuild >= REBUILD_THRESHOLD:
            await self._trigger_rebuild()

三、目前總結與核心架構回顧

到這裡，「AI 核心推理、記憶與 RAG 檢索」已大致實作完畢！我們建立了一套高可用、低成本且自我演化的完整架構：
1. gemini_gateway.py：Sliding Window Rate Limit (15 RPM) 與 429 配額 UTC Midnight 自動復原。
2. rag_engine.py：ChromaDB + sentence-transformers 本地端零成本語意檢索，asyncio.to_thread 解耦 CPU 密集運算。
3. conversation_memory.py：aiosqlite 持久化記憶，百輪對話 Transaction 原子化摘要壓縮。
4. learning_module.py：非同步背景萃取、0.85 門檻語意去重與 50 筆門檻自動索引重構。

下週開始，我們將進入 數據管線自動化與周邊服務整合——實作 Google Drive 知識自動同步 (drive_sync.py)、TWSE/美股每日分析 Telegram 播報 (daily_analysis.py) 與 Google Sheets 追蹤 (sheets_tracker.py)！

明日預告：【Day 08】知識管線自動化：Google Drive 檔案同步與 /learn 指令排程注入 (drive_sync.py)