昨天我們已經順利把前端網頁部署到 Firebase Hosting 上，讓原本只能在本機執行的介面可以在網路上使用。真正可以拿來使用的 AI 教育系統，不能只是「現在問、現在答」，如果學生重新整理網頁，之前的學習內容就全部不見了，那其實很難做到真正的個人化學習。

所以今天要處理的就是 「長期記憶」。我們希望把學生過去問過的問題、AI 的引導回覆，以及學生答錯或容易搞混的觀念都保存下來。這樣之後 AI 才能根據學生過去的學習紀錄，知道他曾經在哪些地方卡住，進一步提供更適合他的教學。

因此今天會開始整合 Google Cloud Firestore，讓 Python 後端可以把學生的學習歷程寫入雲端資料庫。

【今日開發目標】

今天的主要目標，就是在現有的 AI 虛擬助教系統中導入 Firebase Admin SDK，讓後端程式可以安全地連接 Firestore。接著會設定 Service Account Key（服務帳戶金鑰），處理後端與 Firebase 之間的身分驗證，最後再撰寫資料寫入邏輯。今天會先把學生的互動資料整理成結構化格式，並將這些紀錄存進 Firestore 的 learning_logs 集合中。

這樣一來，AI 助教就不再只是「一問一答」的系統，而是開始具備保存學生學習歷程的能力，方便後續的個人化學習功能。

【Google AI 工具實作過程】

要讓我們的 Python 後端程式成功連線到 Google 雲端資料庫，主要需要完成以下幾個步驟：

步驟一：取得並設定 Firebase 服務帳戶金鑰

1. 前往 Firebase Console，進入你的專案設定（Project Settings）。
2. 切換到 「服務帳戶 (Service Accounts)」 分頁。
3. 點擊 「產生新的私密金鑰 (Generate new private key)」，下載一組 JSON 格式的金鑰檔案。
4. 將該檔案重新命名為 serviceAccountKey.json，並放置於你的專案根目錄下（切記這個檔案絕對不能上傳至 GitHub 公開儲存庫！不然帳會算在你頭上喔）。

步驟二：安裝 Firebase Admin 套件

在終端機執行指令，安裝 Python 的 Firebase 管理工具：

pip install firebase-admin

步驟三：在 Firestore 建立資料庫與驗證連線

確認專案中的 Firestore 已經在 Console 介面上啟用，接著我們就可以撰寫程式碼來測試雲端寫入是否正常運作。

【核心 Prompt / Code 展示】

以下是用於初始化 Firebase 並將學習歷程寫入 Firestore 的核心 Python 程式碼（database.py）：

import os
import firebase_admin
from firebase_admin import credentials, firestore
from google.cloud.firestore import SERVER_TIMESTAMP  # 確保正確引入伺服器時間

# 1. 檢查金鑰檔案是否存在
if not os.path.exists("serviceAccountKey.json"):
    print("❌ 找不到 serviceAccountKey.json 檔案！")
    exit()

# 2. 初始化 Firebase Admin SDK
try:
    cred = credentials.Certificate("serviceAccountKey.json")
    firebase_admin.initialize_app(cred)
    print("✅ Firebase Admin 初始化成功！")
except Exception as e:
    print(f"⚠️ 初始化警告：{e}")

# 取得 Firestore 客戶端實例
db = firestore.client()

def save_learning_log(student_id: str, question: str, ai_response: str, is_mistake: bool = False):
    """
    將學生的提問、AI 助教的回覆以及錯題標記寫入 Firestore 的 learning_logs 集合
    """
    try:
        # 在 learning_logs 集合中建立新文件，ID 由 Firestore 自動生成
        doc_ref = db.collection("learning_logs").document()

        log_data = {
            "studentId": student_id,
            "questionText": question,
            "aiReply": ai_response,
            "isMistakeRecord": is_mistake,
            "timestamp": SERVER_TIMESTAMP  # 使用雲端伺服器時間
        }

        doc_ref.set(log_data)
        print(f"🎉 學習歷程已成功寫入雲端！文件 ID: {doc_ref.id}")
        return doc_ref.id

    except Exception as e:
        print(f"❌ 寫入 Firestore 失敗：{e}")
        return None

if __name__ == "__main__":
    # 本地測試寫入
    save_learning_log(
        student_id="student_001",
        question="為什麼 Python 的 list 排序會改變原本的順序？",
        ai_response="這是一個很好的觀念！請問你使用的是 sort() 還是 sorted() 呢？",
        is_mistake=True
    )

執行 python3 database.py 後

此時前往 Firebase Console 的 Firestore Database 畫面，就能夠親眼看到 learning_logs 集合中多出了一筆結構化的 JSON 資料！

【未來教育反思】

在傳統的教學現場中，老師很難即時且全面地記錄每一位學生在學習過程中的「每一個提問」與「盲點錯題」。透過將對話紀錄與錯題標記以結構化 JSON 形式存入 Google Cloud Firestore，我們不僅減輕了教師手動統計學生弱點的負擔，更為未來的「適應性學習（Adaptive Learning）」奠定了完美的數據地基。系統可以根據這些雲端歷史紀錄，精準分析學生的認知盲區，進一步實現真正因材施教的未來教育願景。

【明日預告】

明天我們將迎來實作的另一大亮點：Day 17【Function Calling】讓 AI 助教學會「調用外部工具」（如計算機/搜尋），讓我們的 AI 助教不只會嘴上引導，還能實際執行精確計算與檢索。