前言

前幾天完成訂閱管理與資料查詢後，SubWise 已經能夠「記住」使用者的消費與訂閱資料。但如果只能做到回答「我這個月花了多少錢？」，其實還不算真正的智慧管理。

比起單純把資料列出來，我更希望 SubWise 可以進一步回答「這個月到底花最多錢在哪裡？」「哪一種消費是目前最大的支出來源？」「平均每天大約花多少錢？」，甚至提醒使用者「你的餐飲支出占了本月消費的 89.2%，是目前最主要的消費來源」。

因此今天的目標，就是讓 SubWise 從「資料查詢工具」開始進化成「消費分析助手」。今天主要完成四件事：建立 analysis_service.py、計算消費總額與分類比例、找出最高支出類別與平均每日支出、將分析結果交給 LINE 顯示並產生第一版智慧消費提醒。

整體架構：

使用者 → LINE Bot → Gemini（判斷使用者意圖：analysis）
→ analysis_service.py → Google Sheets（取得消費資料）
→ Python 分析（總支出/分類統計/分類比例/最高支出類別/平均每日支出）
→ 智慧消費提醒 → LINE 回覆

這裡有一個很重要的設計概念：Gemini 負責「理解使用者想做什麼」，Python 負責「真正計算資料」，避免把所有工作都交給 AI。

今日實作實錄

一、建立 Analysis Service 的核心統計函式

新增 analysis_service.py，從 Google Sheets 取得既有消費資料，再用 Python 進行統計，主要建立了四個核心函式：

1. 計算各消費類別的金額 — calculate_category_totals(records)，把所有消費按照 Category 分組，例如 Food: 150, Transport: 50, Food: 120, Food: 120, Transport: 50 會彙總成 Food: 390, Transport: 100。

2. 計算各分類占比 — calculate_category_percentages(category_totals, total)，例如總支出 930 元中 Food 花了 830 元，計算 830 ÷ 930 × 100 ≈ 89.2%。這個數字比單純告訴使用者「Food 花了 830 元」更有意義，因為使用者可以直接知道自己的 Food 支出已經占了將近九成。

3. 找出最高支出類別 — get_top_category(category_totals)，透過 max() 找出金額最高的分類，以今天的測試資料來說就是 Food（NT$830，占比 89.2%），這也成為後面「智慧消費提醒」的重要依據。

4. 計算平均每日支出 — calculate_daily_average(total, period)，今天是 8 月 16 日，本月總支出 NT$930 除以已經過的 16 天，得到「平均每日：NT$58」。比起只看到「本月花了 NT$930」，看到「平均每天約 NT$58」更容易建立對消費速度的直觀感受。

二、整合成完整分析結果

建立 get_expense_analysis(period="month")，把前面所有分析串起來：

Google Sheets → get_expenses() → filter_expenses() → calculate_expense_total()
→ calculate_category_totals() → calculate_category_percentages()
→ get_top_category() → calculate_daily_average()

最後整理成一個 Python Dictionary，今天實際測試得到：

{
    "period": "month",
    "total": 930.0,
    "category_totals": {"Food": 830.0, "Transport": 100.0},
    "category_percentages": {"Food": 89.2473, "Transport": 10.7527},
    "top_category": "Food",
    "top_amount": 830.0,
    "top_percentage": 89.2473,
    "daily_average": 58.125
}

這代表 SubWise 已經不只是「把 Google Sheets 讀出來」，而是開始對資料產生自己的分析結果。

三、把分析結果轉換成 LINE 看得懂的文字

建立 format_analysis_result(result)，把 Python Dictionary 整理成適合 LINE 顯示的內容：

📊 SubWise 消費分析

📅 分析期間：month
💵 總支出：NT$930
📊 平均每日：NT$58

🔥 最高支出類別：
Food：NT$830 (89.2%)

📂 分類支出：
Food：NT$830 (89.2%)
Transport：NT$100 (10.8%)

SubWise 第一次算出真正的消費統計。從 Google Sheets 讀出來的原始資料，經過 Python 計算後，變成總支出、每日平均、分類占比這些對使用者有意義的數字，而不只是一筆一筆的流水帳：

四、加入第一版「智慧消費提醒」

今天最有趣的功能是 generate_spending_insight(result)，讓 SubWise 開始不只是「報告數字」，而是嘗試對數字做出簡單的解讀，目前設定了三個層級：

• 占比 ≥ 80%：「Food 類別占本月支出的 89.2%，是目前最主要的消費來源。」
• 占比 ≥ 50%：「目前是你的主要支出類別。」
• 其他情況：「目前最高支出類別為 Food，占本月支出的 xx.x%。」

雖然還不是複雜的 AI 理財模型，但已經具備一個很重要的概念：從資料 → 分析 → 解讀，這是 SubWise 從「記帳工具」往「智慧助理」發展的第一步。

五、讓 Gemini 學會辨識「分析」意圖

光有 analysis_service.py 還不夠，因為使用者輸入「幫我分析這個月的消費」時，Gemini 必須判斷這既不是新增消費、也不是查詢明細，而是「進行消費分析」。因此把 SubWise 的資料類型擴充成五種：expense、subscription、query、analysis、chat。

測試「幫我分析這個月的消費」，Gemini 成功回傳：

{
    "type": "analysis",
    "target": "expense",
    "period": "month"
}

Gemini 沒有直接去讀 Google Sheets，只負責回答「使用者想分析什麼？」，真正的資料處理還是交給 Python，讓 AI 與程式邏輯保持清楚的分工。

六、在 app.py 接上 Analysis Service

在 app.py 加入 from analysis_service import analyze_expenses，並在 process_ai_message() 新增 elif data_type == "analysis" 分支，讓 SubWise 收到 Gemini 的 analysis 意圖後，呼叫 analyze_expenses(data)，最後將分析結果回傳給 LINE。

今天踩到的坑：Service 層函式名稱沒對上

一開始測試時遇到 ImportError: cannot import name 'analyze_expenses' from 'analysis_service'。這個錯誤其實很有價值——當時 analysis_service.py 裡已經有 get_expense_analysis() 與 format_analysis_result()，但還沒有真正提供 analyze_expenses() 給 app.py 使用。問題不是 Google Sheets，也不是 Gemini API，而是 Service 層的函式名稱與 app.py 的呼叫名稱沒有對上，補齊函式後重新測試就成功了。

修正後重新測試「幫我分析這個月的消費」，成功看到完整流程：Gemini 判斷為消費分析 → analysis_service 分析 Google Sheets → 取得總支出 930、Food 830、Transport 100 → 產生完整的分析結果與智慧消費提醒，代表整條流程已經成功打通。

今日完成

• 建立 analysis_service.py，完成消費總額、分類統計、分類百分比、最高支出類別、平均每日支出五項計算
• 完成 LINE 分析結果格式化（format_analysis_result）
• 加入第一版智慧消費提醒（generate_spending_insight，三層級判斷）
• Gemini 新增 analysis 意圖，資料類型擴充為 expense / subscription / query / analysis / chat
• app.py 串接 Analysis Service，完成 AI → Service → Sheets 完整分析流程

明日預告

目前 SubWise 的消費分析只能看到「這個月花了多少」，但沒辦法回答「跟上個月比起來，我是花得比較多還是比較少？」。明天 Day 16，我將在 analysis_service.py 加入月份比較功能，讓 SubWise 能夠橫向比對不同月份的消費資料，找出支出的趨勢變化，讓消費分析從「單月快照」進化成「跨月趨勢」。我們明天見！