在開發 AI 虛擬助教的過程中，最讓教學現場老師和學生捏一把冷汗的問題絕對是 「AI 幻覺（Hallucination）」。過去幾天我們透過 System Instruction 賦予了 AI 角色，但當學生拿出一份特定的課堂講義或原文書章節提問時，模型若因為記憶庫龐雜而開始自由發揮、一本正經胡說八道，不僅會誤導學生的學習觀念，更會讓教育性質的應用失去信任感。

為了解決這個問題，我們想在試著導入 RAG的基礎架構。我們要讓 Node.js 後端學會接收學生上傳的指定 PDF 教材，並透過 Google GenAI SDK 將檔案傳遞給 Gemini，讓 AI 助教每一次開口回答，都必須「有所本」地依據該份教材進行引導。

【Google AI 工具實作過程】

今天的實作核心在於如何將本機或前端上傳的 PDF 檔案，無縫串接到 Google AI Studio 的底層檔案處理與大模型生成流程中。整個技術串接與測試流程主要分為下面幾個關鍵步驟：

1. 接收與暫存上傳檔案（Multer Middleware）： 我們在 Express 後端使用 multer 套件來接收前端傳送過來的單一 PDF 檔案（例如教學講義），並暫存於伺服器的 uploads/ 資料夾中。
2. 上傳至 Gemini 雲端暫存空間（ai.files.upload）： 由於 PDF 是二進位檔案，不能直接當作純文字 Prompt 傳遞。我們透過 @google/genai SDK 將 PDF 檔案上傳至 Gemini 雲端暫存空間，並取得雲端檔案的 uri。
3. 結合 fileData 與嚴格的 systemInstruction： 在呼叫 ai.models.generateContent 時，我們建構了符合 SDK 規範的 fileData物件，並設定嚴格的系統指令，要求 AI「只能根據提供的教材回答，若不在範圍內必須明確拒絕」。

【核心 Code / Prompt 展示】

以下是我們今天在專案後端實作的 RAG 核心路由模組（routes/ragRoutes.js），完美整合了檔案接收、雲端上傳與帶有 System Instruction 的嚴格問答邏輯：

import express from 'express';
import multer from 'multer';
import { GoogleGenAI } from '@google/genai';
import fs from 'fs';
import path from 'path';

const router = express.Router();

// 設定 multer 暫存上傳檔案至 uploads/ 目錄
const upload = multer({ dest: 'uploads/' });

// 初始化 GoogleGenAI (自動讀取環境變數中的 GEMINI_API_KEY)
const ai = new GoogleGenAI({});

router.post('/ask-pdf', upload.single('pdf'), async (req, res, next) => {
  let filePath = '';
  try {
    const file = req.file;
    const question = req.body.question || '請為我總結這份教材的重點。';

    if (!file) {
      return res.status(400).json({ error: '請上傳 PDF 教材檔案' });
    }

    filePath = file.path;
    const originalExt = path.extname(file.originalname) || '.pdf';
    const targetPath = filePath + originalExt;

    // 將暫存檔重新命名，確保副檔名完整
    fs.renameSync(filePath, targetPath);
    filePath = targetPath;

    // 1. 上傳 PDF 至 Gemini 雲端暫存空間
    const uploadResult = await ai.files.upload({
      file: filePath,
      mimeType: file.mimetype || 'application/pdf',
    });

    console.log(`檔案上傳成功，URI: ${uploadResult.uri}`);

    // 2. 呼叫 Gemini 模型進行限制範圍的問答 (使用正確的 fileData 結構)
    const response = await ai.models.generateContent({
      model: 'gemini-3.6-flash',
      config: {
        systemInstruction: "你是一位嚴格但溫暖的 AI 助教。請嚴格根據提供的【指定教材 PDF】來回答學生的問題。如果問題不在教材範圍內，請引導學生回到課程主題，絕對不可自行瞎編答案。",
      },
      contents: [
        {
          fileData: {
            fileUri: uploadResult.uri,
            mimeType: uploadResult.mimeType || 'application/pdf',
          },
        },
        `學生提問：${question}`
      ],
    });

    // 清理伺服器上的本地暫存檔案
    if (fs.existsSync(filePath)) {
      fs.unlinkSync(filePath);
    }

    res.json({
      success: true,
      answer: response.text,
    });

  } catch (error) {
    if (filePath && fs.existsSync(filePath)) {
      try { fs.unlinkSync(filePath); } catch (e) {}
    }
    next(error);
  }
});

export default router;

【除錯紀錄】

在開發過程中，我們也遭遇了幾個非常經典的工程實務考驗：

• 錯誤一：400 INVALID_ARGUMENT (required oneof field 'data' must have one initialized field)
  • 原因：直接將上傳結果物件傳入 contents 導致結構不符。
  • 解法：改用標準的 { fileData: { fileUri, mimeType } } 格式包裝。
• 錯誤二：404 NOT_FOUND 搭配舊模型
  • 原因：雖然程式碼已經更新，但本機背景仍運行著舊的 Node.js 行程。
  • 解法：使用 pkill -f "node server.js" 終止舊進程並重新啟動 Server 即可順利解決。

【實際測試：用電子學教材驗證】

為了驗證我們的 RAG 系統是否具備「防瞎編」能力，我們進行了兩次對比測試：

1.測試教材內問題：「請根據教材解釋 BJT 主動區的條件與作用。」 → AI 能夠完美結合講義中的波形與半導體特性進行精準回答 。

2.測試教材外問題：「請問量子電腦的 Shor 演算法是怎麼運作的？」 → AI 回答：「這個問題在目前教材中沒有提到喔！」並進一步列出教材涵蓋的範圍，拒絕盲目擴展 。

這證明了我們透過 System Instruction 所設定的邊界條件成功發揮了作用，讓 AI 的回答有了明確的知識來源與約束。

【未來教育反思】

傳統教育現場中，老師們常常需要面對大量重複性、基礎觀念的提問；而當學生想透過一般 AI 工具自學時，又常因 AI 的「幻覺」特性而接收到錯誤的公式或觀念。

透過今天的 RAG 基礎架構，我們真正實現了「教材主權歸於學校與老師」的願景。學生看什麼講義、上什麼進度，AI 助教就讀什麼教材。這種「有所本」的知識檢索與引導機制，不僅確保了學術內容的正確性，更能有效減輕教師在基礎答疑上的負擔。

【明日預告】

我們的本地 AI 助教系統已經具備文字對話、圖片多模態辨識以及 PDF 教材 RAG 閱讀能力。明天我們將使用 Firebase Hosting 將我們的 AI 助教專案正式部署上線，取得屬於自己的免費公開網址。