我們解決了超長文本無法一次塞入模型的問題，透過 Paragraph-aware Chunking 與 n8n 的 Loop 節點，成功將長文切塊並逐一獲得了多份「局部摘要」。但是，當一篇文章被切成 5 塊，我們就會得到 5 份獨立的 JSON 摘要。這些摘要之間可能有重複的概念，也缺乏全域的連貫性。在一個完整的 AI 知識管家中，我們最終需要的是「單一」且「結構化」的完整筆記，以便在 Phase 5 自動寫入 Notion 資料庫。我們該如何將這些破碎的局部知識，重新揉合成一篇完整的總結？

核心概念：Map-Reduce
為了解決這個問題，我們引入了分散式系統中常見的 Map-Reduce 概念：

1. Map：這是我們在 Day 17 做的事。將巨大的原始資料切割成多個 Chunks，並讓 AI 對每個區塊獨立執行任務。
2. Reduce：這就是今天的重點。將所有 Map 階段產生的局部結果收集起來，再次交由 AI 進行整合與去蕪存菁，最終產出一份全域的結構化結果。

透過這種「先拆解、再組合」的策略，我們能在不觸發 Token 上限、不發生 Attention 丟失的前提下，完美處理任何長度的輸入。

它在完整架構中的位置

我們需要建立一個 /reduce-summary 的端點。這個端點的任務不再是閱讀原始長文，而是閱讀「多份摘要的集合」，所以我需要在 FastAPI 新增以下內容

class ReduceRequest(BaseModel):
    aggregated_text: str

@app.post("/reduce-summary")
def reduce_summary(data: ReduceRequest):
    try:
        prompt = f\"\"\"
        你是一個專業的知識管家。以下是從一篇長篇文件（如論文或長文）中分段萃取出來的多份局部摘要（以 JSON 陣列形式呈現）。
        請將這些局部摘要重新組織，消除重複提及的概念，並融合成一篇語意連貫的最終總結。
        
        局部摘要總集：
        {data.aggregated_text}
        \"\"\"
        
        # 強制套用 Structured Output
        response = model.generate_content(
            prompt,
            generation_config=genai.GenerationConfig(
                response_mime_type="application/json",
                response_schema=ArticleSummary, 
            )
        )
        
        ai_result = json.loads(response.text)
        
        return {
            "status": "success",
            "data": ai_result
        }
    except Exception as e:
        raise HTTPException(status_code=500, detail=str(e))

n8n 實作：匯整與呼叫

回到 n8n Workflow，我們要處理 Loop 節點跑完後的資料：

1. 聚合資料 (Aggregate Node)
接在 Loop 節點的 Done 分支後方。

• Operation：選擇 Aggregate（或 Combine）。
• Fields To Aggregate：設定為 data（這是你上一關 /summarize 回傳摘要所在的欄位名稱）。關閉 Rename Field。
• 這一步會將所有局部摘要打包成一個名為 data 的大型陣列。

2. 呼叫 Reduce API (HTTP Request Node)
接在 Aggregate 節點後方。

• Method：POST
• URL：http://host.docker.internal:8000/reduce-summary
• Body Content Type：JSON
• Body Parameters：
  • Name：aggregated_text
  • Value：{{ JSON.stringify($json.data) }}
• 技術細節：因為 FastAPI 端點預期接收純字串（String），所以我們必須使用 JSON.stringify 將 data 陣列轉換為 JSON 格式的文字字串，這樣 AI 才能正確讀取結構化的內容。

技術細節：因為 FastAPI 端點預期接收純字串，所以我們必須使用 JSON.stringify 將 data 陣列轉換為 JSON 格式的文字字串，這樣 AI 才能正確讀取結構化的內容。

把複雜的問題拆分成獨立的子任務，再將結果匯總，這種運算思維是突破現有模型物理限制（如 Context Window 與 Rate Limit）最有效的方法。這套架構不只適用於摘要，未來若要做整本電子書的分析或超大型 Log 檔的稽核，都能沿用這套 Map-Reduce 管線。