在之前我們進行整個專案規畫時
即已預先設計了【零成本】、【不串聯生成式AI】的方式
因使當時訂定了三層設計
這也是今天的主要功課
要把整條主線規則串聯起來

一、今日目標

• 把 data/ 全部資料與模型1至模型4的既有輸出，
• 依產業別的彙整規則組裝成一段綜合評估摘要
• 執行期不呼叫任何API
• 讓綜合評估結果呈現並可驗證

二、模型設計

整體工具的運作流程，實際上如下
取數（從五個資料源撈指定指標）→ 比對門檻（CAGR 是否高於製造業中位？毛利落點在哪段？）→ 命中 templates 條件 → 組裝段落
因此當使用者輸出的每一句話
都能溯源時，比如「成長型賽道」這個判斷，來自 CAGR 9.9% > 製造業中位這條規則
當然這種形式來說，實際設這種規則式的段落不如 LLM 流暢，但每個字都有出處

下面這邊是我原本的分工設計

三、我下的 Prompt

依 templates.json 的 schema，為六個指標（CAGR、毛利落點、營收 YoY、向後關聯、市占規模、營收趨勢）各寫 3–4 段條件文案：每段對應一個數值區間，口吻是給企業主看的分析師語氣
描述事實、指出意涵，不下絕對判斷、不用「顯著落後」這類評價詞
每段結尾附這句話引用的指標與門檻，讓摘要可溯源
規則命中順序固定、同一指標只出一句、必須有 default 模板
任何組合都不能輸出空白

四、驗收

Claude給我的回覆

用 LLM 打造不需要 LLM 的系統。免費架構的最後一塊拼圖到位——綜合摘要不呼叫任何 API,而是條件式模板引擎:開發期由 Claude 協助撰寫規則與文案(templates.json v0.2:欄位條件 × 情境文案 × 佔位符),執行期純查表組句。實測輸出:「三條估值路徑的區間存在共同帶,綜合區間取交集 100 ~ 120 億元。各模型結果收斂(分歧度 13.8%),綜合區間具較高參考價值。」——每個字都有規則出處(matched_templates 可追溯),零 API 呼叫。

一個值得單獨成段的方法論判斷:蘋果不與橘子取交集。ent1 同業標竿量的是「同業典型規模」不是「本企業產值」,把它的 P25–P75 混進整併是量綱錯誤——所以排除於整併、百分位改作摘要脈絡,且這個決定本身寫進假設清單。整併限定 ent2/3/4 三個真正在估本企業產值的模型。

整併規則的誠實設計:有交集取交集(最保守共識帶、綠標);無交集退聯集、琥珀「分歧」標記、分歧度記入侷限——分歧本身就是重要發現,不是要藏起來的尷尬。侷限固定提醒「整併非新資訊,個別模型侷限不消失」。UI 實測時把市占率調到離譜(50%),親眼看徽章由綠轉琥珀、摘要句改寫——那是最好的截圖組。

Claude給的打包檔

資料同步
npx tsx scripts/test-ent5.ts

模型驗證npm run test:models也全數通過
進入localhost驗證一下結果

• 前三個模型都輸入參數後，自動出現綜合結論卡
• 把市占率調到離譜→ 徽章轉琥珀「聯集|分歧度 XX%」，摘要句改變
• 若同時勾了同業標竿，摘要末尾出現「超越 X% 同業(參考脈絡)」

六、今日小結

今天終於把模型全數完工
今天體會到規則式彙整是「把分析師的判斷邏輯寫成程式」

每段文案、每個門檻，都是把平常寫報告的直覺顯性化的過程
而Claude AI負責把它蒸餾成結構，我負責驗收
整體來說
透過Vibe coding的方式來完成
真的相較過去輕鬆很多
當然我覺得事後驗證是絕對必要的
因此在後面幾天，我將開始進行相關事宜