前言

AI 確實可以幫我們排序，但 AI 回傳的結果不能完全相信。

所以今天來檢查 AI 回來的資料到底是不是我們想要的格式。

加防呆功能，讓 Flask 捕捉錯誤

Step 1：先驗證 AI 回來的是不是 JSON

現在的 /ai/rank-db 有：

result = json.loads(response.text)

return result

我們先改成：

try:
    result = json.loads(response.text)
except json.JSONDecodeError:
    return {
        "error": "AI 回傳的格式不是有效的 JSON"
    }, 500

return result

所以完整來說，這一段：

response = client.models.generate_content(
    model="gemini-3.5-flash-lite",
    contents=prompt
)

result = json.loads(response.text)

return result

改成：

response = client.models.generate_content(
    model="gemini-3.5-flash-lite",
    contents=prompt
)

try:
    result = json.loads(response.text)
except json.JSONDecodeError:
    return {
        "error": "AI 回傳的格式不是有效的 JSON"
    }, 500

return result

這就是我們今天第一個「防呆」。

重新測試http://127.0.0.1:5000/ai/rank-db ，回傳成功就代表能夠驗證成功。

Step 2：檢查 AI 有沒有漏排、亂排或產生不存在的 task_id。

建立「合法的 task_id 清單」

在 /ai/rank-db 裡面，找到：

tasks = cursor.fetchall()

下面接著加：

valid_task_ids = []

for task in tasks:
    valid_task_ids.append(task["task_id"])

所以會變成：

tasks = cursor.fetchall()

valid_task_ids = []

for task in tasks:
    valid_task_ids.append(task["task_id"])

假設你的資料庫目前有：

1
3
4
5
7
8
9
10
11
13
14

那valid_task_ids就會是：

[1, 3, 4, 5, 7, 8, 9, 10, 11, 13, 14]

檢查 AI 回傳的 task_id

找到我們剛剛寫好的：

try:
    result = json.loads(response.text)
except json.JSONDecodeError:
    return {
        "error": "AI 回傳的格式不是有效的 JSON"
    }, 500

在它下面加：

for item in result:
    if item["task_id"] not in valid_task_ids:
        return {
            "error": "AI 回傳了不存在的 task_id",
            "task_id": item["task_id"]
        }, 500

因此目前這一段會變成：

try:
    result = json.loads(response.text)
except json.JSONDecodeError:
    return {
        "error": "AI 回傳的格式不是有效的 JSON"
    }, 500

for item in result:
    if item["task_id"] not in valid_task_ids:
        return {
            "error": "AI 回傳了不存在的 task_id",
            "task_id": item["task_id"]
        }, 500
        
return result

這段就是在拿 AI 的答案一個一個檢查。
例如資料庫裡：[1, 3, 4, 5, 7]

AI 回：

task_id = 4
task_id = 7
task_id = 999

就會發現999不存在，因此會回傳錯誤。

重新測試http://127.0.0.1:5000/ai/rank-db ，回傳成功就代表能夠驗證成功。

Step 3：檢查 AI 有沒有漏掉任務。

假設現在資料庫裡有11個任務，那如果 AI 少回一個，這種情況如果我們沒有檢查，前端可能會以為：「AI 已經幫我排完了。」，但其實它少排了一個任務。

在 task_id 驗證下面繼續加

for item in result:
    if item["task_id"] not in valid_task_ids:
        return {
            "error": "AI 回傳了不存在的 task_id",
            "task_id": item["task_id"]
        }, 500

在這段下面加入：

# AI 實際回傳了哪些任務
result_task_ids = []

for item in result:
    result_task_ids.append(item["task_id"])
# 「資料庫的任務」和「AI 回傳的任務」是不是完全一樣。
# valid_task_ids：資料庫裡應該有哪些任務
if set(result_task_ids) != set(valid_task_ids):
    return {
        "error": "AI 回傳的任務不完整"
    }, 500

重新測試http://127.0.0.1:5000/ai/rank-db ，回傳成功就代表能夠驗證成功。

Step 4：檢查 Priority 有沒有重複

理想情況下，如果有 11 個任務，應該是：1、2、3、4、5、6、7、8、9、10、11

但 AI 有可能回：1、2、3、3、5、6...

這代表兩個任務都拿到 Priority 3。

在前面的驗證程式下面，繼續加上：

priorities = []

for item in result:
    priorities.append(item["priority"])

if len(set(priorities)) != len(priorities):
    return {
        "error": "AI 回傳的 priority 有重複"
    }, 500

重新測試http://127.0.0.1:5000/ai/rank-db ，回傳成功就代表能夠驗證成功。

DAY19 我們沒有去改 AI 的排序邏輯，而是先在 Flask 這邊加一道「檢查關卡」。

Day 19 完成的 4 個驗證

下一篇我們要：讓 AI 不只是告訴我「誰第一名」，還要告訴我「為什麼」。
這個「理由」變成系統的一部分，讓使用者看得懂 AI 為什麼推薦某個任務，不是只是 reason。