前端三分鐘 X 要轉職養豬還是做被取代的工程師？用 Google AI 打造我的 AI 雙刀流自動化工作流系列

在前面的文章裡，我們已經成功讓 AI 從「只會聊天的聊天機器人」，進化成「會按照 JSON Schema 回傳資料、還會發起 Function Calling 呼叫工具」的智慧 Agent。

但做到這裡，一個極度現實且刻骨銘心的工程問題浮現了：

「資料拿到了，然後呢？」

如果每次 AI 分析完，我都只能看著畫面上的 JSON，然後手動複製 ➔ 開 Excel ➔ 貼上 ➔ 整理欄位 ➔ 存檔……那我到底自動化了什麼？XD

一、養豬不能只靠 AI 記住： Context 不是 Database

假設今天我們真的開始營運智慧養豬場，每天都會產生大量數據：

• Day 1：P001 → 82kg（「好酷，AI 知道每隻豬的重量！」）
• Day 2：P001 → 82.5kg（「P001 昨天是多少來著？」）
• Day 30：P001 → 90kg（「等等……過去 30 天的成長曲線資料到底存去哪了？！」）

這時候你會猛然醒悟：AI 需要的不只是 Context（上下文記憶），還需要一個可以持久化儲存資料的「外部豬舍資料庫」！

  [ Context 短期工作記憶 ] ──> 「我現在正在想什麼、正在處理哪隻豬」
            vs.
  [ Data Store 外部資料庫 ] ──> 「這座豬舍過去 30 天發生過什麼」

但我不想一開始就架設 PostgreSQL，也不想先做複雜的 Backend，更不想為了紀錄幾隻豬的體重就跑去架 Kubernetes 豬舍。XD

二、Google Sheets：我的第一個「Prototype 豬舍資料庫」

對於小型 Prototype、內部工具與低流量資料紀錄來說，Google Sheets + Google Apps Script (GAS) 就是成本最低、速度最快的選擇。

我們可以把 GAS 部署成 Web App，讓它透過 doPost(e) 接收 HTTP POST，把 Gemini 產出的 JSON 直接追加到試算表中：

  [ Gemini ]
      │ (Structured Output)
      ▼
  [ Standard JSON ]
      │ (HTTP POST)
      ▼
  [ Google Apps Script (Web App) ]
      │ (SpreadsheetApp.appendRow)
      ▼
  [ Google Sheets (試算表資料庫) ]

三、三步建構你的第一個 AI Data Pipeline

Step 1: 先定義 Data Contract（設計欄位）

工程的第一原則：先決定 Data Contract，再開始寫 Code。
我們先在 Google Sheet 中開好工作表 pigs，並定義表頭：

Step 2: 撰寫 Apps Script 資料入口

在 Google Sheet 的 擴充功能 ➔ Apps Script 貼上以下程式碼並部署為 Web App：

function doPost(e) {
  try {
    const data = JSON.parse(e.postData.contents);
    const sheet = SpreadsheetApp.getActiveSpreadsheet().getSheetByName("pigs");

    // 將資料追加至最後一行
    sheet.appendRow([
      new Date(),
      data.pig_id,
      data.weight,
      data.health,
      data.status
    ]);

    return ContentService
      .createTextOutput(JSON.stringify({ success: true }))
      .setMimeType(ContentService.MimeType.JSON);
  } catch (error) {
    return ContentService
      .createTextOutput(JSON.stringify({ success: false, error: error.toString() }))
      .setMimeType(ContentService.MimeType.JSON);
  }
}

Step 3: 接通 Gemini 產出與自動寫入

當 Gemini 分析完豬隻數據並透過 Structured Output 產出 JSON 後，應用程式便發起 POST 請求，資料隨即自動寫入 Google Sheet。

恭喜你！你已經完成了人生第一條 AI ➔ API ➔ Data Store 的完整自動化閉環！🎉

⚠️ 工程觀念提醒：Prototype Database ≠ Production Database

Google Sheets 非常方便，但 方便 ≠ 適合所有 Production 系統。

• 適用場景：Prototype、概念驗證、個人自動化、低流量內部工具。
• 崩潰臨界點：當未來擴展至 100 萬筆資料、1,000 個高併發使用者、複雜 Transaction 事務或極高可靠性需求時，再用 Google Sheets 當主庫，豬舍真的會坍塌！

明確區分 Prototype Database 與 Production Database 的界線，是邁向資深架構師的重要思維。

四、資料閉環：讓 Google Sheets 成為 AI 的雙向外部記憶

資料存進去只是前半段；真正威力巨大的，是讓 AI 把資料讀出來進行分析：

        ┌─────────> [ Google Sheets ]
        │                 │
    [ Gemini ]        (歷史數據)
        │                 │
        └─────────> [ Gemini 決策引擎 ]
                          │
                          ▼
             「P001 最近三次體重持續下降 3%，
               建議發起健康檢查通報。」

這時候，我們就不只是把養豬場數位化，而是透過 Sensor/UI ➔ GAS ➔ Google Sheets ➔ Gemini 形成了 Digital Twin（數位分身） 的雛形——建立了一個可以被 AI 實時理解與推理的數位版本。

🧪 15 分鐘實作作業：打造你的第一個 AI Data Pipeline

今天不需要建立複雜系統，請跟著以下步驟實作：

1. Step 1：建立 Google Sheet，填入標題欄：timestamp, pig_id, weight, health, status。
2. Step 2：開啟 Apps Script，貼上 doPost(e) 程式碼並部署為 Web App。
3. Step 3：使用 Postman 或 cURL 發送以下測試 JSON：

   {
     "pig_id": "P001",
     "weight": 82,
     "health": "good",
     "status": "normal"
   }
   

4. Step 4：打開 Google Sheet，確認最新一列成功出現資料！

結語：先不要蓋資料庫，先把資料留下來

以前的我可能會想：「我要做 AI Agent，先來研究 PostgreSQL、API Gateway、Redis 還有 Kubernetes……」結果三個月過去了，Agent 連個影都沒看到。XD

現在我選擇 Gemini + Apps Script + Google Sheets，先用最低成本把最小可行流程（MVP）跑通。

AI 最重要的從來不是「回答得多漂亮」，而是它產生的結果能不能順暢進入下一個系統。

明天 Day 29，我們將進入實戰篇的倒數階段：當資料已經進了 Google Sheets，我們要如何讓 AI 自己讀取歷史資料並進行做出一個儀表板？我們明天見！🐷