第四天 20260918
今天要將下面亮相工作完成:
• 設定 GCP 環境：初始化 Vertex AI、BigQuery，並建立 Cloud Run/Functions 部署基礎。
• ：財務資料擷取：將 3 年的損益表、資產負債表及現金流量表資料標準化並載入 BigQuery。此部分可以測試今天參加Google Cloud 的Agentic Data Cloud Forum Taipei中所公布的AlloyDB函數，測試是否已有內嵌函數，以省下Token數目及運作時間。
首先將建立一致的資料命名規則與欄位對照表，確認不同年度財報中的科目能正確映射。例如營業收入、營業成本、稅後淨利、現金及約當現金等欄位，必須統一資料型別、幣別與期間格式，避免後續分析因名稱差異而產生重複或缺漏。資料匯入前會先進行完整性檢查，針對空值、異常值及重複紀錄設定驗證條件，再將清理後的資料寫入 BigQuery 分區資料表，以降低查詢成本並提升處理效率。
完成資料層後，將利用 Vertex AI 建立可查詢財務資料的代理流程。使用者提出自然語言問題時，系統先判斷查詢意圖，再產生對應的 SQL，並在執行前檢查語法、資料範圍與權限。若 AlloyDB 已提供適合的內嵌函數，便優先以資料庫端運算完成彙總、比率計算或向量搜尋，減少大量資料傳送至模型所消耗的 Token 與等待時間。同時會紀錄每次請求的提示內容、查詢時間及回傳結果，方便比較不同方法的準確度與成本。
在部署方面，我會先以 Cloud Run 建立容器化服務，將資料擷取、查詢與模型呼叫拆分為可獨立維護的模組；需要事件觸發的排程作業則交由 Cloud Functions 處理。服務上線前，會分別測試本機、測試環境與正式環境，並使用環境變數與 Secret Manager 管理金鑰，避免敏感資訊直接寫入程式碼。權限設定將遵循最小權限原則，限制服務帳戶只能存取必要的資料集與 API。
最後，將以數個實際財務問題進行驗收，例如比較三年營收成長率、分析營業現金流變化，以及找出負債比率異常的年度。除了核對答案是否與原始報表一致，也會觀察查詢延遲、Token 用量與錯誤率，建立可量化的評估表。若結果不穩定，便回頭調整欄位說明、提示詞與查詢限制。今天的重點不只是完成雲端環境，而是建立一條可重複、可監控且具安全性的資料處理流程，為後續加入視覺化報表、預測模型與自動化財務摘要奠定基礎。