昨天先把「AI 避雷探針」的網站流程規劃出來，確定使用者會從輸入店家，一直到最後看到避雷報告。
不過，避雷報告到底要顯示什麼？
如果只是讓 Gemini 自由分析評論，最後產生的內容可能每次都不太一樣，也不容易整理成固定的網站版面。
所以今天先決定：
AI 避雷探針到底要分析哪些內容？

為什麼需要分類？

Google Maps 上的評論通常會提到很多不同的內容。
有人會分享餐點好不好吃，有人會提到服務態度，也有人會特別在意價格、環境或等待時間。
而且「AI 避雷探針」不一定只分析餐廳，也可能是其他有 Google Maps 評論的店家或場所，所以分析項目不能只限定在餐點。
如果全部混在一起分析，使用者還是需要花時間閱讀。
因此，我希望把評論整理成幾個固定的項目，讓使用者可以更快找到自己在意的資訊。

目前預計的分析項目

1. 整體評價

先整理評論對這家店的整體感受。
例如：

• 整體偏正面
• 整體普通
• 負面評價較多
  讓使用者可以先快速了解這家店的大致評價。

2. 可能的雷點

這是「AI 避雷探針」最重要的部分之一。
從評論中整理出比較多人提到，或可能影響消費體驗的問題。
例如：

• 等待時間過長
• 服務態度不佳
• 價格偏高
• 餐點品質不穩定
  希望讓使用者可以快速看到：「這家店可能要注意什麼？」

3. 餐點／服務

把評論中和餐點、服務有關的內容整理出來。
例如：
餐點：

• 哪些餐點比較多人推薦
• 哪些餐點有人覺得不好吃

服務：

• 店員態度
• 上餐速度
• 處理問題的方式
• 需不需要預約
  如果分析的不是餐廳，也可以依照評論內容呈現其他相關的服務資訊 。

4. 環境

分析評論中對店內環境的描述。
例如：

• 環境是否舒適
• 整潔程度
• 噪音或座位狀況
  如果評論沒有提到，也不應該讓 AI 自己猜測。

5. 價格

整理評論中對價格的看法。
例如：

• 價格合理
• 價格偏高
• CP 值不錯
• 價格與品質不符
  這可以讓使用者在去之前，先了解其他人對價格的感受 。

6. 等待時間

這也是我覺得滿重要的一個項目。
有些店家的餐點評價很好，但可能會出現：
「排隊很久」、「等餐時間很長」、「尖峰時段需要等候」
所以希望把等待時間獨立出來，讓使用者可以快速注意到這個問題。
如果評論中沒有提到等待時間，也不會要求 AI 自行推測

7. 疑似罐頭評論／異常評論

除了分析店家本身，也希望觀察評論內容是否出現一些異常特徵。
例如：

• 評論內容過短
• 缺乏具體細節
• 多則評論內容相似
• 使用過度制式化的文字
• 但這裡不會直接判斷：「這是假評論。」
  而是會希望它先標示是否出現疑似異常特徵，讓使用者自己判斷。

8. 評論參考度

最後希望提供一個「評論參考度」。
這不是單純判斷店家好不好，而是讓使用者知道：
「這些評論的內容，有多少資訊值得參考？」
例如，如果很多評論都有具體描述用餐經驗，參考度可能較高。
如果大量評論都非常簡短、內容相似，或缺乏具體細節，就可能需要多留意。

最後的避雷報告

目前先規劃成：
1.整體評價
2.可能的雷點
3.餐點／服務
4.環境
5.價格
6.等待時間
7.疑似罐頭評論／異常評論
8.評論參考度
這8大點，但如果評論中沒有相關資訊，就不要求 AI 自行補充，而是直接顯示「無相關資訊」。
這樣可以避免 AI 在沒有資料的情況下自行推測，也能讓最後的分析結果更加符合實際評論內容。

今天的學習

今天主要是在思考「AI 避雷探針」到底要分析什麼。
我發現如果想讓 AI 分析結果真正能用，不能只是叫 AI：「幫我分析這家店。」
而是需要先把分析項目定義清楚。
這樣之後設計 Prompt 時，就可以要求 Gemini 按照固定的項目分析，最後再搭配 JSON，讓網站可以比較容易讀取和顯示結果。