為什麼是這個題目？

學英文最尷尬的時刻，往往不是背不出單字，而是「知道意思，但真的要開口的時候卻不知道怎麼說」。課本教的英文，跟母語者實際在咖啡廳、面試、機場、辦公室裡講的英文，常常是兩回事。

這也是這次 30 天自主學習專題的起點：能不能用 LLM 與 AI 自動化工具，做出一套情境式英文口語練習系統，讓使用者不用準備教材，只要輸入自己想練習的情境，AI 就能自動生成對話場景、扮演角色、即時修正表達，最後產出一份專屬的學習報告？

專題一句話定義：

利用 LLM、Dify 與 n8n 建立一個能根據使用者需求自動生成英文情境、進行角色扮演、即時修正英文表達，並自動產生個人化學習報告的 AI 英文口語教練。

Day 1 的任務，就是把這個想法從「一段描述」收斂成「可以動手做的具體範圍」。

拆解核心功能：先做 MVP，其他都是加分題

專題最初設想了五大功能：

情境生成：輸入「在咖啡廳點餐」「英文面試」等情境，AI 自動建立背景、角色與對話目標
AI 角色扮演：AI 依情境扮演不同角色，跟使用者進行真實互動，而非制式問答
即時英文修正：分析使用者輸入，提供「原句 → 文法修正 → 更自然的說法」
母語者表達推薦：不只糾正錯誤，更教「道地說法」
個人化學習報告：對話結束後自動整理單字、文法重點、實用片語與建議複習內容

30 天要把五項全部做完並串接前後端與自動化流程，時間其實偏緊。所以 Day 1 做的第一件事，就是誠實地做取捨：

MVP（一定要做出來）：情境生成 ＋ 角色扮演 ＋ 即時文法修正
加分項（時間允許再做）：母語者表達推薦、自動化學習報告、RAG / FAISS 知識庫

這個判斷標準很簡單：任何功能如果不服務「情境生成 → 角色扮演 → 修正表達」這條核心體驗，就先砍掉或延後。

系統流程：先簡化，不急著把技術全部串起來

完整的系統架構最終會長這樣：

使用者 → React/Vue 前端 → FastAPI → Dify AI Workflow → LLM
↓
英文對話生成 / 英文內容分析
↓
n8n 自動化流程
↓
個人化學習報告

但 Day 1 不需要想清楚每一個技術怎麼串接。為了避免第一天就卡在架構細節，先畫出最小可理解的流程：

使用者輸入情境 → LLM 生成角色與對話 → 使用者對話 → LLM 分析並修正 → 呈現結果

Dify、n8n、RAG/FAISS 這些進階模組，留到第三、四階段（Day 15 之後）再深入。Day 1 只要確定「資料怎麼流動」，技術選型與帳號註冊也先鎖定最小組合：一個 LLM API（GPT / Gemini / Claude 擇一）＋ Dify 帳號，其餘工具照 30 天規劃表逐步加入。

30 天怎麼走：Day 1-7 先打基礎

整體規劃分成五個階段：

階段|天數|重點
一、AI 與工具認識|Day 1–7|確定主題與功能、認識 LLM 與 Dify、做出第一個情境生成器
二、AI 功能實作|Day 8–14|角色扮演、錯誤分析、文法修正、自然表達、學習報告，完成第一版 MVP
三、API 與前端|Day 15–21|認識 API、FastAPI、React，完成前後端與 AI 串接
四、AI 自動化與進階功能|Day 22–28|n8n 自動化、RAG/FAISS 知識庫、ngrok 對外測試
五、整合與成果展示|Day 29–30|系統測試、簡報製作、最終 Demo

Day 1 結束前，手上要有三個明確的產出物：

1.✅ 一句話定版的專題定義
2.✅ MVP 功能清單（含取捨理由）
3.✅ 簡化版系統流程圖

這三樣東西會是接下來 29 天的錨點——每次進度卡關、或猶豫要不要多加一個功能時，都可以回頭檢查：這個決定，有沒有偏離最初定義的那句話？

小結

Day 1 沒有寫一行程式碼，卻可能是整個 30 天裡最重要的一天。因為所有後面的技術學習（LLM、Prompt Engineering、Dify、FastAPI、n8n、RAG）都是「手段」，真正要對齊的是那句「一句話定義」和 MVP 範圍。

接下來從 Day 2 開始，會進入 AI 與 Generative AI 的基本概念，並在 Day 5 就要動手寫出第一個能生成英文情境對話的 Prompt。敬請期待後續更新！

本文為「30 天 AI 情境英文口語教練」自主學習專題系列文章 — Day 1