前兩天我們已經把檢索增強生成（RAG）與工具使用（Tool Use）的邊界講清楚：文件適合尋找「已經存在的知識」，但精確數字、最新狀態與計算結果，應該直接從結構化資料來源取得。今天就把這個觀念真正落地，讓 Data Machi 第一次透過工具查詢 Google Sheets。

這一篇的重點不是把整張試算表貼進 Prompt，再請大型語言模型幫忙算答案。剛好相反，我們希望把「資料存取與計算」交給程式，把「理解使用者意圖與整理答案」留給模型。這樣不但可以降低模型自行計算錯誤的風險，也讓每一個結果都能重新驗證。

整體流程可以先理解成：

使用者問題
    ↓
LLM 理解需求
    ↓
Google Sheets Tool
    ↓
讀取結構化資料
    ↓
Pandas / 程式篩選與計算
    ↓
精確結果
    ↓
LLM 整理成自然語言回答

為什麼需要服務帳號（Service Account）？

如果後端程式需要自動讀取 Google Sheets，就不適合每一次查詢都等待某個使用者手動登入 Google 帳號。比較穩定的方式，是建立一個 Service Account（服務帳號），讓後端以一個獨立的「機器身分」存取指定的試算表。

可以把它想成替 Data Machi 建立一個專門的系統帳號。這個帳號不需要像一般使用者一樣登入 Google Workspace，而是由後端使用憑證證明自己的身分，再依照被授予的權限存取資料。

基本流程可以整理成：

Google Cloud Project
        ↓
啟用 Google Sheets API
        ↓
建立 Service Account
        ↓
建立 Credentials
        ↓
取得 Service Account Email
        ↓
將 Google Sheet 分享給該 Email
        ↓
Backend 使用憑證讀取 Sheet

建立時，可以先到 Google Cloud Console 選擇或新增一個 Project，接著到 API Library 啟用 Google Sheets API。如果程式未來還需要搜尋或列出 Google Drive 中的檔案，再依需求啟用 Google Drive API，不需要一開始把所有 API 都打開。

接著建立一個容易辨識用途的 Service Account，例如：

data-machi-sheets-reader

第一版的目標只是讀取指定的測試試算表，因此不需要給它 Project Owner 或其他過大的管理權限。建立完成後，可以取得 Service Account 的 Email，再把匿名測試試算表分享給這個 Email；如果目前只需要讀取資料，Google Sheets 權限先設定成 Viewer 即可。

這一步很容易被忽略。即使後端已經持有有效憑證，如果試算表本身沒有分享給 Service Account，程式依然沒有權限讀取內容。

Service Account 憑證同樣屬於 Secret

建立 Service Account 後，後端需要一組憑證才能證明自己的身分。無論實際採用哪一種憑證管理方式，都應該遵守和 Gemini API Key 相同的原則：Secret 不應該直接進入 GitHub Repository。

本機開發時，如果暫時使用 JSON Credential File，至少應該將檔案加入 .gitignore，避免不小心 Commit。不過部署到 Render 時，比較方便的方式之一，是把需要的憑證內容透過 Environment Variables 提供給 Backend。

例如：

GOOGLE_SERVICE_ACCOUNT_JSON={"type":"service_account",...}
GOOGLE_SHEET_KEY=your_sheet_id

Backend 啟動時再從環境變數讀取：

Environment Variables
        ↓
Backend
        ↓
建立 Google Credentials
        ↓
Google Sheets API

這樣本機與正式環境可以使用不同的 Secret，而程式碼本身不需要跟著修改。

另外也要延續 Day 10 的安全原則：Google Service Account Credential 只能存在後端。 不要把它放進 React 或 Vercel 前端，因為前端程式最終會執行在使用者瀏覽器中。

先用匿名資料驗證，不要直接碰正式資料

第一次建立 Google Sheets Tool 時，不需要直接連接公司的正式營運資料。比較好的做法，是先建立一份結構清楚、內容可以公開的匿名測試資料，確認權限、欄位與計算流程都正確之後，再考慮接上真正的企業資料來源。

例如可以建立一張簡單的需求工單資料：

這時候先不要問 AI「今年台灣哪一類需求最多」，而是先確認最基本的資料讀取是否成功。例如程式是否真的讀到 5 筆資料、欄位名稱是否正確，以及日期欄位有沒有被正確解析。

這裡仍然延續前面的原則：

一次只驗證一層。

整個測試順序可以按照：

Service Account 可以驗證
        ↓
Google Sheet 有正確授權
        ↓
Backend 可以讀到資料
        ↓
欄位型態正確
        ↓
Pandas 可以篩選與計算
        ↓
最後才加入 LLM

不要一開始就把 LLM、Tool Calling、Google 權限、資料計算與前端全部混在一起除錯。否則當回答出錯時，很難知道問題究竟發生在哪一層。

常見的權限問題怎麼判斷？

Google Sheets Tool 第一次串接時，最常遇到的通常不是 AI 問題，而是身分與資源權限問題。

其中最常見的情況是：Service Account 已經建立成功，Backend 也可以完成驗證，但 Google Sheet 忘記分享給 Service Account Email。這時候並不是憑證失效，而是「你知道自己是誰，但這份文件沒有授權給你」。

把 Authentication（你是誰） 和 Authorization（你能不能存取這份資料） 分開理解，後面串接其他企業系統時也會非常有幫助。

不要讓大型語言模型自己做精確計算

當 Google Sheets 已經可以正確讀取後，下一步才是把自然語言問題轉換成資料查詢。

假設使用者詢問：

「今年哪一個市場的工單最多？」

比較可靠的方式不是把所有 Rows 全部塞給模型，再請它自己數，而是先把使用者問題轉換成程式可以理解的條件，再由 Pandas、SQL 或其他資料工具執行真正的篩選與計算。

自然語言問題
「今年哪一個市場的工單最多？」
        ↓
LLM 理解需求
        ↓
轉換成查詢條件
Year = 2026
Group By = Market
Metric = Request Count
        ↓
Pandas / 程式計算
        ↓
Taiwan = 3
Hong Kong = 2
        ↓
LLM 整理回答

模型可以理解「今年」、「市場」與「最多」代表什麼，但真正的 Count、Sum、Average、Group By、Sort 或比例計算，應該盡可能交給可重現的程式邏輯。

例如 Pandas 可以執行：

result = (
    df[df["Created Date"].dt.year == 2026]
    .groupby("Market")["Request ID"]
    .nunique()
    .sort_values(ascending=False)
)

程式得到精確結果之後，再把結果交給模型：

Taiwan: 3
Hong Kong: 2

最後由模型整理成：

2026 年目前台灣的工單數最多，共有 3 筆；香港則有 2 筆。

這個分工和 Day 12 提過的原則完全一致：

模型負責理解意圖，程式負責執行事實。

為什麼不直接把整張 Sheet 丟給模型？

如果資料只有五列，看起來把整張表貼進 Prompt 好像也沒有什麼問題。但當資料增加到數千或數萬筆之後，這種方式會開始面臨幾個明顯限制：Context 會快速膨脹、Token 成本增加，而且模型仍然需要自己從大量文字中篩選與計算。

更重要的是，企業分析通常希望相同條件能產生相同結果。假設「Active Customer」在系統中有明確定義，就應該把計算邏輯保留在 SQL、Python 或資料工具中，而不是每一次都讓 LLM 根據文字描述重新理解一次。

因此比較穩定的架構是：

Google Sheets
      ↓
Data Tool
      ↓
程式篩選 / 計算
      ↓
小而精確的結果
      ↓
LLM
      ↓
自然語言回答

大型語言模型拿到的不需要是整張資料表，而是完成問題所需要的結果與必要 Context。

欄位別名：讓使用者不需要知道資料 Schema

真實企業資料的欄位名稱，通常和人類平常說話的方式不完全一樣。例如資料表可能使用：

request_market
created_at
ticket_category
request_status
owner_name

但使用者實際上可能會問：

「今年台灣哪一種需求最多？」

他不會說：

「請 group by ticket_category，然後 filter request_market = TW。」

因此 Tool Layer 通常需要處理一層 Alias Mapping（欄位別名對應），將人類使用的業務語言轉換成真正的資料 Schema。

例如：

當使用者詢問：

「今年台灣哪一類需求最多？」

系統就可以整理成：

時間 → created_at
市場 → request_market
需求類別 → ticket_category

接著再交給程式執行。

這一層做得好有兩個好處。第一，使用者不需要學習資料庫的欄位名稱，仍然可以使用平常工作的語言；第二，如果未來資料 Schema 改名，只需要修改 Mapping，而不需要重寫所有 Prompt 或 Tool Description。

日期也應該轉成明確條件

自然語言中的日期特別容易產生歧義，例如：

• 今天
• 昨天
• 上個月
• 最近三個月
• 第一季
• 去年同期

模型可以協助理解這些文字，但真正送進資料工具前，最好轉換成明確的日期範圍。

例如：

使用者：
「最近三個月台灣有多少工單？」

        ↓

轉換成：

start_date = 2026-06-01
end_date = 2026-08-31
market = Taiwan
metric = request_count

接下來程式只需要按照明確條件執行，不需要再次猜測「最近三個月」到底代表什麼。

尤其當企業報表存在 Fiscal Year、Business Week 或特殊 Campaign Period 時，更不能假設每個人的「一季」與「一個月」定義完全相同。這些規則最後都應該進入可以驗證的 Business Logic。

快取不是為了偷懶，而是控制成本與延遲

如果 Google Sheet 有幾千筆資料，而且一天只更新幾次，就沒有必要每一次使用者問問題時，都重新完整下載一次資料。這時候就可以加入 Cache（快取）。

例如：

第一次查詢
    ↓
Google Sheets API
    ↓
載入資料
    ↓
保存 Cache
    ↓
執行計算

下一次查詢
    ↓
Cache 還在有效時間內？
    ↓
是 → 使用 Cache
否 → 重新讀取 Google Sheets

Cache 可以降低 API 呼叫次數，也能縮短回答等待時間，但它同時帶來另一個問題：快取中的資料不一定是最新的。

因此 Cache Duration 不應該單純設定成「越久越好」，而應該根據業務資料的更新頻率決定。一份每天更新一次的資料，和每五分鐘更新一次的營運 Dashboard，本來就不應該使用相同策略。

如果使用者明確說：

「我剛剛更新了 Sheet，請重新確認。」

或：

「請查目前最新狀態。」

系統也應該能選擇跳過既有 Cache，重新取得資料，而不是盲目使用舊結果。

回答最好告訴使用者資料有多新

當系統開始使用 Cache 或外部資料來源後，「這個數字是什麼」和「這個數字是什麼時間取得的」會同樣重要。

因此 Tool Result 可以順便保留：

data_source = Google Sheets
retrieved_at = 2026-08-24 15:30
row_count = 1520

最後回答就可以呈現：

截至 2026/08/24 15:30 取得的資料，台灣目前共有 328 筆工單，其中 Dashboard 類型最多，共 124 筆。

這樣使用者才知道目前看到的數字是否符合他對「最新」的期待。如果來源資料一天前才更新，也可以誠實呈現，而不是讓語言模型營造出「這就是現在即時數字」的錯覺。

不存在的欄位，不要自己猜一個替代品

還有一個非常容易被忽略的問題：使用者可能會問資料裡根本不存在的欄位。

假設目前 Sheet 只有：

Request ID
Created Date
Market
Category
Status
Owner

使用者卻詢問：

「哪一個工單的處理成本最高？」

資料裡根本沒有 Cost 欄位。這時候 Tool 不應該看到 Category 或其他看起來相關的欄位，就自行推測使用者可能想問別的東西。

比較正確的回覆是：

目前這份資料沒有「處理成本」欄位，因此無法根據現有資料回答。如果有成本資料來源，需要另外連接或加入對應欄位。

這個設計看起來比較保守，但對企業 AI 反而更重要，因為：

明確承認資料不存在，比使用錯誤欄位產生一個看似合理的答案更可靠。

今天要怎麼驗證 Data Tool 真的成功？

完成工具之後，不要只測一個問題就宣告成功。至少可以從三個層級開始驗證。

第一類是簡單查詢，例如：

「目前共有多少筆工單？」

第二類是篩選與彙總，例如：

「2026 年台灣有多少筆工單？」

第三類是組合條件與排序，例如：

「2026 年台灣哪一類工單最多？」

可以整理成：

每一次測試都應該把 Data Tool 的結果和原始 Google Sheet 人工核對，而不是只判斷模型最後說得是否通順。如果原始資料算出 Taiwan 是 3 筆，而 AI 說 4 筆，即使回答文字寫得再漂亮，這個工具仍然沒有通過驗證。

最好可以同時保存：

原始資料
+
使用者問題
+
Tool Parameters
+
程式計算結果
+
最終回答

這樣發生錯誤時，就能清楚知道到底是模型理解錯問題、參數 Mapping 錯誤、程式計算錯誤，還是最後回答整理錯誤。

實務踩坑｜最新資料、日期與不存在的欄位

實際把 Google Sheets Tool 放進企業工作流後，有三個問題值得再整理一次。

第一個是資料新鮮度。Cache 可以提升速度，但回答最好保留資料取得時間；如果使用者明確要求重新確認，就應該重新讀取來源。

第二個是時間條件。「上個月」、「最近三個月」、「Q1」等自然語言應該先轉成明確日期範圍，再交給資料工具執行。

第三個是Schema 邊界。如果資料來源根本沒有使用者要求的欄位，就應該明確回報無法回答，而不是自己選擇一個相似欄位替代。

這三件事情其實都指向同一個設計原則：

模型可以協助理解使用者在問什麼，但真正影響事實結果的條件，最好轉換成可以驗證的程式規則。

從今天開始，Data Machi 已經不只有文件搜尋能力，也開始能從結構化資料中取得精確結果。這也是從「企業知識問答」走向「企業資料工作流」很重要的一步。

今天的重點：
Data Machi 第一次擁有可驗證的結構化資料工具。模型不再負責「猜數字」，而是判斷什麼時候需要查資料，再由 Google Sheets Tool 與程式完成精確的篩選、計算與驗證。

下一篇，我們會把視角再拉大。企業知識從來不只存在於 Google Sheets 或 PDF，而可能散落在文件、資料庫、專案工具與各種 SaaS 系統中。先畫出企業的 Knowledge Map（知識地圖），才能決定下一個工具究竟應該接什麼。

我們下集見囉！