在昨天的 [Day 18] 中，我們成功整合了 Stripe Payment + Webhook 訂閱制金流，為 OmniVibe AI 建立了健全的商業變現管道。

當使用者開始掏錢訂閱 Pro 方案時，他們對產出品質的要求將提升到商業等級。此時，我們面臨全棧 AI SaaS 最常見的兩大災難：

1. JSON 格式不穩定與 UI 崩潰：大語言模型（LLM）有時會在輸出的 JSON 中多包含 Markdown 標記（如 ````json）、遺漏閉合括號，或是擅自變更欄位名稱（如將 social_posts寫成socialPosts），導致前端頁面 JSON.parse()` 報錯，直面白屏。
2. AI 幻覺（Hallucination）與資訊造假：模型憑空捏造影片中從未出現過的時間軸（Timestamp）、數據或專家引言，嚴重損害產品信任度。

今天，我們將結合 Gemini 1.5 原生的 JSON Schema 強制結構化輸出（Structured Outputs） 與 Prompt 防護網（Guardrail Engineering），在程式碼層級徹底杜絕格式錯誤與 AI 幻覺！

🛡️ 傳統 Prompt 提示 vs. 原生 JSON Schema 護欄

在過去，開發者只能靠在 Prompt 裡寫「請嚴格輸出 JSON，不要包含任何額外說明」來祈禱模型聽話；而 Gemini 1.5 SDK 提供了原生的引擎級強約束：

graph TD
    subgraph 傳統 Prompt 祈禱法 (Unsafe)
        A[Prompt: 請輸出 JSON] --> B[Gemini 推論]
        B --> C[偶發 Markdown 或語法錯誤]
        C --> D[前端 JSON.parse() 崩潰 💥]
    end

    subgraph 原生 JSON Schema 強制約束 (Production Grade)
        E[定义 Strict SchemaType Definition] --> F[帶入 generationConfig.responseSchema]
        F --> G[Gemini 1.5 引擎原生語法約束]
        G --> H[100% 符合型別的 JSON 串流 🎯]
    end

使用 Gemini 的 Structured Outputs，Gemini 在生成每一個 Token 時都會受到語法樹（Grammar Tree）的嚴格約束，從根本上 100% 保證輸出的 JSON 格式符合定義，再也不需要寫複雜的 Regex 正規表達式去剔除垃圾字元！

🛠️ 第一步：定義嚴格的 Gemini Response Schema

我們利用 @google/generative-ai 提供的 SchemaType，為 OmniVibe AI 提煉結果定義精準的結構化 Schema：

// src/lib/gemini/schema.ts
import { Schema, SchemaType } from '@google/generative-ai';

export const omniVibeDistillSchema: Schema = {
  type: SchemaType.OBJECT,
  properties: {
    meta: {
      type: SchemaType.OBJECT,
      properties: {
        summary: {
          type: SchemaType.STRING,
          description: '資產的核心精華總結，不超過 100 字',
        },
        confidenceScore: {
          type: SchemaType.NUMBER,
          description: 'AI 對於此資產分析的可信度評分 (0.0 至 1.0)',
        },
      },
      required: ['summary', 'confidenceScore'],
    },
    takeaways: {
      type: SchemaType.ARRAY,
      description: '3 到 5 個關鍵洞見點',
      items: {
        type: SchemaType.STRING,
      },
    },
    socialPosts: {
      type: SchemaType.OBJECT,
      properties: {
        threads: {
          type: SchemaType.STRING,
          description: '適合 Threads / Twitter 的爆款短文案，包含 Hashtags',
        },
        linkedIn: {
          type: SchemaType.STRING,
          description: '適合 LinkedIn 的專業知識型長文案',
        },
      },
      required: ['threads', 'linkedIn'],
    },
    script: {
      type: SchemaType.OBJECT,
      properties: {
        title: { type: SchemaType.STRING, description: '短影音腳本標題' },
        timeline: {
          type: SchemaType.ARRAY,
          description: '短影音分鏡腳本時間軸',
          items: {
            type: SchemaType.OBJECT,
            properties: {
              timestamp: { type: SchemaType.STRING, description: '例如 00:00 - 00:15' },
              visual: { type: SchemaType.STRING, description: '畫面視覺描述' },
              audio: { type: SchemaType.STRING, description: '旁白或台詞' },
            },
            required: ['timestamp', 'visual', 'audio'],
          },
        },
      },
      required: ['title', 'timeline'],
    },
  },
  required: ['meta', 'takeaways', 'socialPosts', 'script'],
};

🧱 第二步：建構抗幻覺 Prompt 防護網 (System Instructions)

除了格式限制外，內容的「真實性（Grounding）」才是商業品質的核心。我們要在 System Instruction 中導入 Prompt 防護綱領，設計三大抗幻覺原則：

1. 嚴格基於源資產 (Strict Grounding)：凡是影片/PDF 中未提及的數據、人名或結論，絕不憑空臆測。
2. 邊界防護 (Boundary Defense)：若影音音質太差或內容無法辨識，必須明確回報 confidenceScore < 0.5 並指出原因，而非敷衍撰寫。
3. 時間軸真偽驗證 (Timestamp Integrity)：短影音腳本對應的時間標記必須精確存在於原影片時間軸內。

// src/lib/gemini/prompts.ts
export const OMNIVIBE_GUARDRAIL_SYSTEM_PROMPT = `
你是一位嚴謹的頂級多模態內容提煉專家，服務於 OmniVibe AI 生產級平台。
請遵循以下【抗幻覺與真實性原則】：

1. 【忠實度原則】：所有核心洞見 (takeaways) 與摘要，必須 100% 來自用戶提供的原始影音或 PDF 檔案。嚴禁引入未於資產中出現的外部未證實事實。
2. 【數據精確性】：若原始內容提及具體數字 (例如 "營收成長 35%"), 必須精確引用；若不確定數字，請使用範疇描述，不得編造數據。
3. 【時間軸對齊】：生成短影音腳本時，時間標記 (timestamp) 必須符合真實影片時間長度，不可生成超越影片總長度的標記。
4. 【邊界防禦】：若檔案無法清晰辨識，或內容屬於不可分析之噪訊，請將 meta.confidenceScore 設為 0.3 以下，並於 summary 中誠實說明限制。
`;

⚡ 第三步：整合完整 API 服務與 Zod 驗證管線 (src/lib/gemini/guarded-distill.ts)

我們在伺服器端將 Gemini 1.5 API + Response Schema + Zod 雙重驗證 封裝成可安全呼叫的函數：

// src/lib/gemini/guarded-distill.ts
import { GoogleGenerativeAI } from '@google/generative-ai';
import { omniVibeDistillSchema } from './schema';
import { OMNIVIBE_GUARDRAIL_SYSTEM_PROMPT } from './prompts';
import { z } from 'zod';

const genAI = new GoogleGenerativeAI(process.env.GEMINI_API_KEY || '');

// 使用 Zod 進行 TypeScript 執行期二次型別保障
export const DistillResultZodSchema = z.object({
  meta: z.object({
    summary: z.string(),
    confidenceScore: z.number().min(0).max(1),
  }),
  takeaways: z.array(z.string()),
  socialPosts: z.object({
    threads: z.string(),
    linkedIn: z.string(),
  }),
  script: z.object({
    title: z.string(),
    timeline: z.array(
      z.object({
        timestamp: z.string(),
        visual: z.string(),
        audio: z.string(),
      })
    ),
  }),
});

export type DistillResult = z.infer<typeof DistillResultZodSchema>;

export async function generateGuardedDistillation(
  fileUri: string,
  mimeType: string
): Promise<DistillResult> {
  // 配置具備 JSON Schema 的模型實例
  const model = genAI.getGenerativeModel({
    model: 'gemini-1.5-flash',
    systemInstruction: OMNIVIBE_GUARDRAIL_SYSTEM_PROMPT,
    generationConfig: {
      responseMimeType: 'application/json', // 指定輸出 MIME 類型
      responseSchema: omniVibeDistillSchema, // 綁定原生的 JSON Schema 護欄
      temperature: 0.2, // 降調低創造力，提升輸出穩定性與真實度
    },
  });

  console.log('[Gemini Guardrail] 發起結構化提煉請求...');

  const result = await model.generateContent([
    {
      fileData: { fileUri, mimeType },
    },
    '請根據上述資產，產出符合 Schema 規範的結構化洞見與社群文案。',
  ]);

  const rawText = result.response.text();

  try {
    // 1. 原生 JSON 解析
    const jsonParsed = JSON.parse(rawText);

    // 2. 使用 Zod 進行 TypeScript 嚴格執行期驗證
    const validatedData = DistillResultZodSchema.parse(jsonParsed);
    console.log('[Gemini Guardrail] 成功通過 Schema 與 Zod 防護網驗證！');

    return validatedData;
  } catch (err: any) {
    console.error('[Gemini Guardrail Error] 結構化解析失敗:', err);
    throw new Error(`AI 輸出違反內容護欄規範: ${err.message}`);
  }
}

🧪 實測驗證：無護欄 vs. 有護欄 輸出對比

我們使用一份講述「AI 晶片架構發展」的 15 分鐘 MP4 影片進行測試對比：

❌ 傳統無護欄模式 (Plain Prompt)：

• 輸出狀況：模型回傳了帶有 ````json` 標記的字串，包含開頭引言「這是我為您整理的 JSON 格式內容：」。
• 下場：前端 JSON.parse() 拋出 SyntaxError: Unexpected token '這' 異常，網頁直接崩潰。
• 內容問題：腳本時間軸出現了 18:30 - 20:00，但原影片長度僅有 15 分鐘（發生幻覺！）。

✅ 引入 Gemini JSON Schema 護欄後：

• 輸出狀況：0 個多餘字元，直接輸出純淨、可被 100% 解析的合規 JSON：

{
  "meta": {
    "summary": "本影片探討 2026 年新一代 AI 晶片在記憶體頻寬與高能效運算上的突破技術。",
    "confidenceScore": 0.95
  },
  "takeaways": [
    "HBM4 記憶體技術大幅緩解 LLM 推理階段的 Memory-wall 瓶頸。",
    "晶片間互連協定 (Interconnect) 成為多卡平行訓練的效能關鍵。"
  ],
  "socialPosts": {
    "threads": "🚀 2026 AI 晶片大革命！還在嫌大模型推理太慢？\n這支影片帶你一次拆解 HBM4 與晶片互連技術的最佳實踐... #AI #Hardware",
    "linkedIn": "在近期的 AI 系統架構演進中，記憶體頻寬已全面取代算力成為最顯著的瓶頸..."
  },
  "script": {
    "title": "3分鐘看懂 2026 AI 晶片演進",
    "timeline": [
      {
        "timestamp": "00:00 - 00:10",
        "visual": "快速切換伺服器機房與晶片微觀結構",
        "audio": "「為什麼模型參數越來越大，推論速度卻變慢了？」"
      }
    ]
  }
}

🎯 總結與明日預告

今天我們成功為 OmniVibe AI 構建了工業級的 Prompt 護欄工程：

1. 掌握了 Gemini 1.5 原生的 JSON Schema (Structured Outputs) 機制，徹底摒棄了脆弱的 Markdown 解析。
2. 實作了 Zod + Gemini SDK 雙重型別驗證管線，確保前端 100% 渲染安全。
3. 導入了 Anti-Hallucination System Instruction 防護網，大幅提升輸出品質與商業信任度。

有了完美的 UI、穩健的金流與不崩潰的 Prompt 護欄後，在真正的雲端生產環境中，我們該如何監控 LLM 輸出的品質演變？如何知道新版 Prompt 是變好還是變壞？

👉 明天（Day 20），我們將進入【AI 評估與監控篇】：實戰 Ragas / LLM-as-a-Judge 自動化品質評測與 OpenTelemetry 追蹤管線！看我們如何用數據量化 AI 服務的忠實度與品質！

我們明天見！🔥