一、今天的定位

Day 7 是第一階段的最後一天，也是整個 30 天計畫裡第一個「從觀念走到作品」的節點。

前六天做的事情偏向理解：認識 Generative AI 與 LLM 的運作方式、比較 GPT / Gemini / Claude 的特性、練習 Prompt Engineering 的基本寫法、初步認識 Dify 這個 AI 應用開發平台。今天則是把這些觀念收攏起來，實際產出第一個能運作的功能——AI 英文情境生成器。

二、完成的功能

這個功能在整個系統裡扮演的是「入口」。

使用者只需要輸入一句話描述自己想練習的場合，例如「在美國咖啡廳點餐」或「第一次英文面試」，再選擇自己的英文程度，系統就會自動產生一份完整的對話情境設定，內容包含：

情境背景說明
AI 要扮演的角色（身分、個性、對話中的目的）
使用者扮演的角色與任務
符合難度的開場白
這個情境會用到的關鍵句型與單字
判斷練習是否完成的標準

換句話說，使用者不需要自己準備教材，也不需要想「我該說什麼」，系統會先把舞台搭好。

三、這一步為什麼重要

情境生成器看起來只是整個系統的第一關，但它決定了後面所有功能的品質。

Day 8 開始的角色扮演、Day 11 的英文錯誤分析、Day 14 的學習報告，全部都要以這份情境設定作為輸入。如果情境的難度控制不準，後面的對話就會超出使用者的程度；如果輸出格式不穩定，後端與自動化流程根本接不起來。

所以今天真正的目標不只是「讓 AI 生出情境」，而是讓 AI 每一次都生出同樣結構的資料。

四、今天學到的三件事

1. 給 AI 角色一個「目的」，對話才會有推進力

一開始設計的 AI 角色只有身分，結果對話變成純粹的一問一答，AI 永遠在等使用者開口。後來在角色設定裡加上「這個角色在對話中想達成什麼」，情境立刻變得像真實互動——店員會主動推薦、面試官會追問細節。

2. 要讓 AI 成為系統的一部分，輸出就不能是自然語言

這是今天最大的觀念轉變。平常用 ChatGPT 聊天，回應寫得漂亮就好；但要把 AI 接進系統，輸出就必須是程式能解析的結構化資料。這個差別決定了做出來的是「一個聊天機器人」還是「一套系統」。

3. LLM 對「範例」的反應遠強於對「描述」

嘗試控制英文難度時，只寫抽象的規則（句子要短、用常見字）幾乎沒有效果，不同程度生出來的內容差異不大。改成直接給對照範例之後，難度區隔立刻明顯。這條大概是這七天學 Prompt Engineering 最實用的心得。

五、遇到的狀況
問題 原因
輸出格式偶爾跑掉 模型隨機性太高，參數需要往下調
情境內容變成中文 指令本身是中文，模型會傾向整份用中文回應
難度分級沒有差別 規則寫得太抽象，缺少具體對照
內容中途被截斷 輸出長度上限設太低

這些問題大多不是「工具不會用」，而是Prompt 寫得不夠明確。工具層面的門檻其實比想像中低，真正的難度在於把需求描述清楚。

六、第一階段回顧（Day 1–7）
進度 內容 狀態
Day 1–2 確定專題方向與功能範圍 ✅
Day 3–4 認識 Generative AI、LLM 與主流模型 ✅
Day 5–6 Prompt Engineering 基礎與 Dify 平台認識 ✅
Day 7 完成第一個 AI 英文情境生成器 ✅

七天下來，從完全不了解 LLM 的運作，到能做出一個實際可以運行、並且具備對外接口的 AI 應用。這個進度符合原本的規劃。

七、下一階段預告（Day 8–14）

第二階段要處理的是整個系統的核心：讓 AI 真正開始和使用者對話。

預計的重點：

設計英文 Role Play 的角色扮演邏輯，讓 AI 穩定留在角色裡，不會突然跳出來變成英文老師
實作英文錯誤分析與文法修正
實作「母語者自然表達推薦」，這是本專題最重要的特色
整理出第一版學習報告，完成可以 Demo 的 MVP

明天 Day 8 會從角色扮演的 Prompt 設計開始。