✏️【本日實作紀錄：GitHub Actions CI/CD 自動化建構與測試流水線】

在 Day 21 完成 Docker 多階段建構與映像檔瘦身後，PrescriptionVLM 系統已具備輕量化容器。

然而，在團隊協作或持續迭代功能時，人工執行 pytest 單元測試與 Docker 打包容易遺漏，甚至將有問題的程式碼推送到 GitHub。

今天我們將為 PrescriptionVLM 專案建立 GitHub Actions CI/CD 自動化流水線。完成項目包含：

• 自動化單元測試 — 每次提交程式碼時，自動建立 Python 測試環境並執行 pytest 測試集。
• 靜態代碼與型別檢查 — 整合 Day 17 建立的 mypy 靜態型別校驗與 flake8 代碼風格檢查。
• Docker 映像檔自動打包驗證 — 驗證 Day 21 優化後的 Dockerfile 能否順利編譯打包。

一、CI/CD 自動化流水線的設計

在軟體開發實踐中，導入 CI/CD 流水線有以下好處：

• 早期發現問題：在程式碼 Merge 入 main 分支前，自動抓出型別錯誤、邏輯問題或 Docker 構建失敗。
• 保持 Codebase 乾淨：透過自動化測試防線，確保新增功能不會破壞既有的 LINE Bot 或 Gemini API 整合邏輯。
• 自動化部署準備：減少手動驗證的時間，為最後部署至伺服器打下基礎。

二、建立單元測試模組（tests/test_app.py）

為了讓 CI 流水線有具體的測試目標，我們在專案中建立基礎測試腳本。

請在專案根目錄建立 tests/test_app.py：

import pytest
import json
from app import app, compute_image_hash

@pytest.fixture
def client():
    app.config['TESTING'] = True
    with app.test_client() as client:
        yield client

def test_dashboard_route(client):
    """測試 Web 儀表板頁面是否能正常渲染"""
    response = client.get('/dashboard')
    assert response.status_code == 200

def test_image_hash_computation():
    """測試圖片 SHA-256 雜湊值計算是否一致"""
    dummy_data = b"fake_prescription_image_bytes"
    hash1 = compute_image_hash(dummy_data)
    hash2 = compute_image_hash(dummy_data)
    assert hash1 == hash2
    assert len(hash1) == 64

def test_analyze_prescription_no_file(client):
    """測試未傳送圖片時 API 的錯誤防禦"""
    response = client.post('/analyze-prescription')
    assert response.status_code == 400
    data = json.loads(response.data)
    assert "error" in data

三、建立 GitHub Actions 工作流設定（.github/workflows/ci.yml）

請在專案目錄下建立 .github/workflows/ci.yml 檔案：

name: PrescriptionVLM CI Pipeline

on:
  push:
    branches: [ "main", "master" ]
  pull_request:
    branches: [ "main", "master" ]

jobs:
  test-and-build:
    runs-on: ubuntu-latest

    services:
      redis:
        image: redis:7.2-alpine
        ports:
          - 6379:6379

    steps:
    - name: 1. 檢出專案程式碼
      uses: actions/checkout@v4

    - name: 2. 設定 Python 3.11 環境
      uses: actions/setup-python@v5
      with:
        python-version: "3.11"
        cache: "pip"

    - name: 3. 安裝專案套件依賴
      run: |
        python -m pip install --upgrade pip
        pip install flake8 pytest pytest-cov mypy
        if [ -f requirements.txt ]; then pip install -r requirements.txt; fi

    - name: 4. 執行 Flake8 與 Mypy 靜態程式碼檢查
      run: |
        # 檢查語法錯誤與未定義變數
        flake8 . --count --select=E9,F63,F7,F82 --show-source --statistics
        # Mypy 型別校驗
        mypy schemas.py --ignore-missing-imports

    - name: 5. 執行 Pytest 自動化單元測試
      env:
        REDIS_HOST: localhost
        REDIS_PORT: 6379
        GEMINI_API_KEY: ${{ secrets.GEMINI_API_KEY }}
      run: |
        pytest --verbose

    - name: 6. 驗證 Docker 多階段建構
      run: |
        docker build -t prescription-vlm:ci-test .

四、測試與成果驗證

1. 本地執行測試預演

在推送到 GitHub 前，先在 Terminal 執行 pytest 確保測試全數通過：

pytest --verbose

• 預期成果：Terminal 印出 test_dashboard_route PASSED、test_image_hash_computation PASSED 等綠字。

2. 提交程式碼並觸發 GitHub Actions

將 CI 相關設定與測試程式碼推送到 GitHub 倉庫：

git add .github/workflows/ci.yml tests/test_app.py
git commit -m "Day 22: Setup GitHub Actions CI pipeline with automated testing and Docker build checks"
git push

3. 檢查 GitHub Actions 執行結果

開啟你的 GitHub 專案倉庫頁面：

• 點擊頂部的 Actions 分頁
• 點進最新的 Commit「Day 22: Setup GitHub Actions CI pipeline...」
• 預期成果：可以看到流程中每一個步驟（從 Setup Python、Pytest 到 Docker Build）都順利打上記號 ✅，代表 CI 自動化防線建置成功！

五、版本控制與提交 GitHub

確保所有檔案皆已版控提交：

git add .

git commit -m "保留雙引號 改填寫自己要記錄的標記 ex.鐵人賽第二十二天"

git push

六、本日小結與明日預告

今天我們透過 GitHub Actions 建構了 CI 自動化測試與建構流水線，讓每一次程式碼的改動都會自動通過靜態檢查、單元測試與 Docker 打包驗證，確保系統品質穩定。

明天（Day 23），我們將進入生產環境部署階段，實作 Gunicorn 高效能 WSGI 伺服器配置與 Nginx 反向代理設定，讓 PrescriptionVLM 擺脫 Flask 內建開發伺服器，邁向高併發正式營運！