今日目標

在前幾天的開發中，我們已經搭好了資料庫 Schema、API 邏輯以及自動化測試。但空空如有的資料庫就像是沒有顧客的百貨公司——你看不出效能瓶頸，也無法在 UI 開發時想像真實的使用情境。

今天我們的任務是：利用 AI 快速生成大量、真實且具備關聯性的 Mock Data（模擬資料），讓我們的財務追蹤器瞬間填充滿滿的消費紀錄，為後續的前端 UI 頁面開發做好準備！

Human vs. AI 實戰記錄

要生成「好用」的 Mock Data，最忌諱給出模糊的指令。如果只跟 AI 說：「請幫我生成 50 筆記帳資料」，你只會得到一堆重複且毫無意義的文字。

1.給 AI 的指令 (Prompt)

我們需要 AI 結合 Faker.js 套件與 Prisma 的語法，產生出符合台灣在地消費情境的假資料：

你現在是一位 senior 後端工程師。請幫我撰寫一個 Prisma 的 Seed Script (prisma/seed.ts)。

需求如下：
1. 使用 `@faker-js/faker` 生成資料。
2. 先建立 1 個測試使用者 (User)。
3. 替該使用者生成 50 筆交易紀錄 (Transaction)。
4. 交易類型 (type) 包含 "INCOME" 與 "EXPENSE"。
5. 分類 (category) 請涵蓋日常消費（如：外食、交通、娛樂、薪水）。
6. 金額 (amount) 請符合合理台幣數字（例如外食 80~300 元，薪水 50000 元）。
7. 時間 (date) 隨機分佈在過去 30 天內。

2. AI 產出的結果 (Code)

AI 很快地給出了一份 prisma/seed.ts 草稿：

import { PrismaClient } from '@prisma/client';
import { faker } from '@faker-js/faker';

const prisma = new PrismaClient();

async function main() {
  // 清除舊資料
  await prisma.transaction.deleteMany();
  await prisma.user.deleteMany();

  // 建立預設使用者
  const user = await prisma.user.create({
    data: {
      email: 'demo@example.com',
      name: 'Test User',
    },
  });

  const categories = ['外食', '交通', '娛樂', '薪水'];

  // 生成 50 筆資料
  for (let i = 0; i < 50; i++) {
    const isIncome = faker.datatype.boolean();
    await prisma.transaction.create({
      data: {
        userId: user.id,
        amount: isIncome ? 50000 : faker.number.int({ min: 80, max: 300 }),
        type: isIncome ? 'INCOME' : 'EXPENSE',
        category: isIncome ? '薪水' : faker.helpers.arrayElement(categories.slice(0, 3)),
        note: faker.lorem.sentence(),
        date: faker.date.recent({ days: 30 }),
      },
    });
  }
}

main()
  .catch((e) => console.error(e))
  .finally(async () => await prisma.$disconnect());

3. 做出的修正與翻車紀錄 (Debug Experience)

這段程式碼看起來很完美，但一執行 npx prisma db seed 就踩坑了！

翻車點一：大量 N+1 Write 操作導致 Seed 速度慢如牛步

AI 使用了最直觀的 for 迴圈搭配 await prisma.transaction.create()。這意味著程式發送了 50 次獨立的資料庫 Request！雖然 50 筆感覺很快，但如果未來要測試 5,000 筆 Big Data 效能時，這會讓 Seed 過程花費數分鐘。

翻車點二：機率分配極度不合理

faker.datatype.boolean() 的機率是 50%/50%。這會導致生成出來的 50 筆紀錄裡有 25 筆都是「薪水」，這哪是什麼個人財務追蹤器，根本是發暴財的假象！

介入修復！

我們引導 AI 進行二次重構：

1. **改用 prisma.transaction.createMany()** 進行批次插入（Batch Insert），提升 10 倍速度。
2. 調整機率權重：把收入與支出的比例調整為合理的 5% vs. 95%。
3. 優化備註文字：faker.lorem.sentence() 會生成拉丁文無意義句子，改成在地化的中文備註（如「午餐便當」、「捷運儲值」）。

修正後的精華程式碼：

  // 建立批次陣列
  const transactionsData = Array.from({ length: 50 }).map(() => {
    // 95% 概率為支出
    const isExpense = faker.number.float({ min: 0, max: 1 }) < 0.95; 

    return {
      userId: user.id,
      amount: isExpense 
        ? faker.number.int({ min: 60, max: 1500 }) 
        : faker.number.int({ min: 30000, max: 60000 }),
      type: isExpense ? 'EXPENSE' : 'INCOME',
      category: isExpense ? faker.helpers.arrayElement(['外食', '交通', '購物']) : '薪水',
      note: isExpense ? faker.helpers.arrayElement(['便利商店', '午餐搭計程車', '星巴克咖啡']) : '月薪發放',
      date: faker.date.recent({ days: 30 }),
    };
  });

  // 一次性高效插入
  await prisma.transaction.createMany({
    data: transactionsData,
  });

JavaScript / AI 學習小結

1. JavaScript 的 Event Loop 與 Async/Await 代價：
   在迴圈中使用 await 會強制程式進入序列化執行（Sequential execution）。當我們處理大量資料注入時，優先考慮將資料集中至記憶體陣列，再透過批次寫入（createMany）來大幅減少 I/O 開銷。
2. AI 沒有真實的生活經驗：
   AI 能夠精準掌握 Faker.js 的 API 語法，但它缺乏對真實業務邏輯（Business Domain Logic）的敏銳度（例如收支比例、合理消費金額）。工程師的核心價值就在於「輸入正確的世界觀」，引導 AI 吐出符合真實狀況的資料。