在 Day 14 時，我們替虛擬助教導入了 RAG（檢索增強生成），讓學生可以直接上傳 PDF 檔案，讓 AI 助教檢索內容後再回答。

但真實的學習場景往往充滿限制——如果今天學生使用的學校電子書、線上題庫或講義系統「根本沒有下載權限，只能純複製貼上」呢？

在不能下載檔案的情況下，學生最直覺的操作就是：Control/Cmd+A 全選、Control/Cmd+C 複製，然後把整整 11 個章節、破萬字的文字Control/Cmd+V「整包貼給助教」。

面對這種突如其來的海量文字沖刷，我們今天就來做一場直球對決的硬核極限測試：「不切片、不做向量庫，直接把破萬字的高職電子學（共11章節）完整講義塞進跟助教的對話筐，它還能穩穩當一個會引導學生的 AI 助教嗎？」

【今日開發目標】

打造自動化壓力測試腳本 (test_long_context.py)：使用最新 Google GenAI SDK，針對大海撈針（Needle In A Haystack）、引導原則抗稀釋度、Token 消耗與延遲進行指標量測。

【Google AI 工具實作過程】

1. 打造三大維度壓測腳本 (test_long_context.py)

為了客觀評估，我們不只靠手動點擊，而是撰寫了一支自動化壓測工具，鎖定三個教育核心指標：

• 大海撈針測試 (Needle In A Haystack)：在 15,000 字的長教材正中間（典型的「Lost-in-the-middle」注意力真空區），埋入一個特定的先備知識——「量子糾纏態疊加原理」作為關鍵線索。當模擬學生提問時，測試 Gemini 是否能在茫茫字海中打撈出來並正確調用，而非產生幻覺。
• 引導原則抗稀釋度 (Instruction Following under Long Context)：預先注入多達 25 輪的模擬歷史對話。測試當注意力被大量對話洗刷時，AI 助教是否會破功直接把答案解出來，還是能死守 「蘇格拉底反問原則」。
• 效能與自動重試監控：加入 API 自動重試機制（攔截 503 等暫時性伺服器過載），並於終端機輸出標準評測報告（包含 Latency、Input/Output Tokens 與 Pass/Fail 判定）。

2. 真實系統落地：前端全域導讀與後端結構化診斷

壓測腳本通過後，我們進一步將此能力整合至真實的 geminiService 與 Web 介面。

當學生將整本包含 11 個章節的電子學講義一口氣貼上，並要求「介紹每個章節在說什麼並整理重點」時，助教 Professor Spark 在前端展現了全域統整力：

• 它沒有像傳統 RAG 那樣只吐出零星章節，而是將 11 個章節精準收斂成四大主軸（基礎波形與二極體、BJT、MOSFET、OPA 與振盪電路）。
• 更關鍵的是，它沒有把話講死，文末主動拋出啟發性提問：「看完了這張電子學地圖，你目前想先從哪一個章節或元件開始深入探討呢？」，並在下方動態生成了 3 個鷹架選項按鈕（二極體、BJT 偏壓、OPA 虛短路）供學生點選！

同時在後端終端機中，系統也印出了結構化決策：

(實測後端診斷 Log：面對萬字教材，AI 依然遵守引導原則，並準確分流不需要計算工具)

【核心 Code / Prompt 展示】

1. 解決 Express 長文本傳輸錯誤 (server.js)

這是我們在真實 Node.js 系統解決 PayloadTooLargeError 的關鍵修改。只要開發需要接收整份教材或長文本的 LLM 應用，這個調整非常重要：

JavaScript

// server.js 節錄
const express = require('express');
const app = express();

// 【關鍵修改】將預設的 100kb 限制大幅提高，以容納破萬字的長篇論文或 Context
app.use(express.json({ limit: '50mb' }));
app.use(express.urlencoded({ limit: '50mb', extended: true }));

2. Google GenAI SDK 最新語法與 API 呼叫 (test_long_context.py)

使用 gemini-3.8-flash 與最新版 SDK 的標準寫法，特別是 types.Part.from_text(text=...) 的強制具名參數：

Python

import os
from dotenv import load_dotenv
from google import genai
from google.genai import types

load_dotenv()
client = genai.Client() # 自動讀取環境變數中的 GEMINI_API_KEY

# 建立超嚴格的 System Instruction 測試抗稀釋度
system_instruction = """你是一位頂尖的 AI 虛擬助教。
請務必嚴格遵守以下教學原則：
1. 採用蘇格拉底式引導 (Socratic method)。
2. 嚴禁直接爆出最終答案。
3. 每次回覆只能問一個關鍵問題，引導學生思考。"""

# 將教材內容與提問封裝，注意 from_text 必須加上 text= 參數
user_content = types.Content(
    role="user",
    parts=[types.Part.from_text(text=f"【教材內容】\n{material}\n\n【我的問題】\n{question}")]
)

# 帶入設定檔並發送請求
response = client.models.generate_content(
    model="gemini-3.8-flash",
    contents=[user_content], # 如果有對話歷史，可以使用 history + [user_content]
    config=types.GenerateContentConfig(
        system_instruction=system_instruction,
        temperature=0.2,
    )
)
print(response.text)

3. 大海撈針 (Needle In A Haystack) 的測試邏輯

透過產生大量無意義文字，並在正中間（Lost-in-the-middle 易發區）插入特定觀念以驗證模型能力：

Python

def generate_mock_material(word_count: int, needle: str) -> str:
    """
    產生指定字數的模擬教材，並在中間段落插入隱藏觀念 (Needle)。
    """
    # 建立用來消耗 Token 的冗長背景知識
    base_paragraph = "這是一段模擬的學科教材內容，涵蓋了基礎科學、物理學、以及進階理論的探討..." * 15

    paragraphs = []
    current_words = 0
    while current_words < word_count:
        paragraphs.append(base_paragraph)
        current_words += len(base_paragraph)

    # 【關鍵】模擬 Lost-in-the-middle：精準在陣列正中間插入 Needle
    middle_index = len(paragraphs) // 2
    paragraphs.insert(middle_index, f"\n\n{needle}\n\n")

    return "\n".join(paragraphs)

【遇到的問題與 Debug】

1. SDK 具名參數限制引發 TypeError

• 問題現象：撰寫 Python 腳本時，呼叫 types.Part.from_text("內容") 直接拋出 TypeError: from_text() takes 0 positional arguments but 1 was given。
• 原因分析：最新版 Google GenAI SDK 對型別封裝採取強約束，禁止傳入位置參數（positional argument）。
• 解法：強制使用具名參數改寫為 types.Part.from_text(text="內容")，順利通過編譯。

2. Express 伺服器 PayloadTooLargeError: request entity too large

• 問題現象：當在前端對話框直接貼上整份萬字電子學講義送出時，Node.js 後端直接 Crash 並噴出 HTTP 413。
• 原因分析：Express 的 express.json() 預設 body 大小限制僅有 100kb，對於純對話夠用，但只要學生貼入數萬字講義或論文，Request Body 就會輕易被撐爆。
• 解法：修改 server.js，將 json 與 urlencoded 的 limit 顯式提升至 50mb，徹底打通超長 Context 在前端與後端間的傳輸通道。

【未來教育反思】

在壓力測試過後就得知它能把高職資電類 11 個章節的繁雜內容，提煉成清晰的四大主軸地圖，並根據全局先備知識，由淺入深地拋出測驗與引導。對學生而言，即使拿到的是無法下載的線上加密講義，只要「複製貼上」，AI Tutor也可以立即進入狀況，讓個人化學習的良好體驗又多了一項。

【明日預告】

完成了長文本壓測、Socratic Prompt、多模態 Vision、RAG、Function Calling 工具調用與學習紀錄儲存，我們的 AI 虛擬助教系統已經集齊了所有拼圖。

明天 Day 27【Full Demo】，我們將用一個真實學生的完整解題與診斷歷程，帶來最完整、最震撼的端到端全功能成果展示！